基于深度学习的智能目标分群技术研究
发布时间：2021-04-08 23:03
随着大量战场观测传感器的应用,输入到指挥控制系统的战场目标数据呈现激增的趋势,目标信息数据规模大、维度高、结构复杂等问题给目标分群技术带来了全新的挑战,然而,利用传统的聚类方法已经无法对高维的战场目标数据进行有效分群。本课题针对当前目标分群技术的困境,首先提出了一种基于深度学习的通用聚类模型框架,该模型框架将聚类技术嵌入到深度神经网络模型中,能够完成对高维战场目标数据集的特征提取,并实现聚类,在此基础上构建了基于深度堆栈自编码网络的目标分群模型,设计了综合传统聚类算法优点的目标分群算法DAE-k和DAE-G,通过设计智能目标分群技术的验证实验,建立目标分群效果的评价指标,实验选取了来自不同领域、不同空间的多个战场目标数据集,经过数据预处理后,在TensorFlow人工智能开发平台上实现了目标分群算法DAE-k和DAE-G,实验结果验证了两种目标分群算法在大规模、高维目标分群问题上的有效性和适用性。基于深度学习的智能目标分群技术研究能够使指挥控制系统对大规模高维数据的处理更加高效、智能,同时也为指挥控制系统的智能化建设提供了技术支撑。
【文章来源】：国防科技大学湖南省 211工程院校 985工程院校
【文章页数】：94 页
【学位级别】：硕士
【部分图文】：
目标分群的层次
国防科技大学研究生院硕士学位论文第5页领域的一个难点，维度灾难（curseofdimensionality）的现象大量存在。在这个问题上，很多研究者提出了“先对原始数据进行降维、再进行聚类”的方案，但这些降维工作大部分仍是由人工来进行操作的，人工降维的效率已经跟不上数据规模量级的增长，同时，在人工降维的过程中也无法保证原始数据结构的完整性。对于以上数据规模大、维度多的问题，深度学习技术就能够很好的解决，因此，本课题将结合深度学习技术和传统聚类技术两方面的优点，来实现对目标的智能分群。1.2.2深度学习技术研究现状深度学习是目前机器学习学科发展最蓬勃的分支，也是整个人工智能领域中应用前景最为广阔的技术，其概念关系如图1.2所示。深度学习的前身是人工神经网络（Artificialneuralnetwork，ANN），它是一种机器学习方法。所谓表示学习，就是要让算法在少量人为先验经验的情况下，能够自动从数据中抽取合适的特征[32]，完成原本需要通过特征工程才能得到的结果，深度学习就是通过多层非线性变换的组合方式，得到更抽象更有效的特征表示。图1.2深度学习技术的概念关系深度学习是指通过构建具有多个隐层的神经网络，在输入一定规模的数据样本训练集后，该神经网络能够学习到这些数据内部的特征，并预测得到相关领域的一些新数据或是某种发展趋势。深度学习技术经过近几年的发展，有多种基于深度学习的模型框架已经被广泛应用到各行各业中：自编码器（SelfAuto-Encoder，SAE）、卷积神经网络（ConvolutionalNeuralNetwork，CNN）、长短时记忆网络（LongShortTermMemory，LSTM）、生成对抗网络（GenerateAdversarialNetwork，GAN）等，其中LSTM可以实现时序特征的记忆，对解决意图识别时序性问题
国防科技大学研究生院硕士学位论文第13页相似维的高维子空间聚类算法，张涛等人[20]提出了一种基于低秩表示的子空间聚类改进算法。计算复杂度的问题同样也是子空间聚类需要应对的一个难题，其主要体现在对子空间中类簇的搜索过程中，当计算复杂度达到一定量级时，甚至会使后续的聚类算法失效[51][55]。因此如何采用有效的方法来降低子空间聚类的计算复杂度，仍需要进一步深入研究。2.2深度学习技术研究2.2.1深度前馈神经网络深度前馈神经网络（Deepfeedforwardneuralnetwork）相当于是多层感知机（MultilayerPerceptron，MLP），它通过定义一个映射来训练样本数据，在这个过程中参数会不断的更新，它的目的就是使这个映射的输入能够更加贴合实际。前馈网络之所以被称为“前辣的，是因为该网络的输出对网络中的参数不会产生反馈影响。神经网络的基本单位是多输入单输出形式的非线性神经元，其数学模型如图2.1所示。图2.1神经元的数学模型它的数学表达形式为
【参考文献】：
期刊论文
[1]人工智能赋能运营商“大连接”战略[J]. 汤人杰,杨巧节. 电信技术. 2018(04)
[2]基于相似度矩阵的雷达探测目标分群算法[J]. 陶宇,蒋序平. 火控雷达技术. 2018(01)
[3]基于改进空间划分的目标分群算法[J]. 樊振华,师本慧,陈金勇,段同乐. 系统工程与电子技术. 2017(05)
[4]态势估计中的目标分群算法设计与实现[J]. 张冬宁,艾伟. 无线电工程. 2016(11)
[5]一种基于低秩表示的子空间聚类改进算法[J]. 张涛,唐振民,吕建勇. 电子与信息学报. 2016(11)
[6]基于改进K-means算法的陆战场机动目标分群方法[J]. 张绪亮,张宏军,綦秀利,王文博,王泽,尹成祥. 信息技术. 2016(03)
[7]基于最近邻的随机非线性降维[J]. 田守财,孙喜利,路永钢. 计算机应用. 2016(02)
[8]基于数据场改进的目标分群算法[J]. 王骁,李东生,雍爱霞. 火力与指挥控制. 2015(12)
[9]二叉树多分类SVM在目标分群中的应用[J]. 段同乐,张冬宁. 无线电工程. 2015(06)
[10]最小方差优化初始聚类中心的K-means算法[J]. 谢娟英,王艳娥. 计算机工程. 2014(08)
博士论文
[1]基于排序模式分析与深度学习的风电设备故障诊断方法研究[D]. 江国乾.燕山大学 2017
[2]基于流形学习的特征提取方法及其应用研究[D]. 李波.中国科学技术大学 2008
[3]高维数据的聚类方法研究与应用[D]. 陈黎飞.厦门大学 2008
[4]高维数据挖掘中若干关键问题的研究[D]. 杨风召.复旦大学 2003
硕士论文
[1]高维数据的聚类分析研究及应用[D]. 苏飞.华北水利水电大学 2017
[2]基于聚类分析的空中战机目标分群应用研究[D]. 董冰.西安电子科技大学 2015
[3]高维数据子空间聚类算法研究[D]. 张井.天津大学 2012
[4]高维数据聚类算法的研究[D]. 易莉桦.燕山大学 2012
[5]改进的Chameleon层次聚类算法在目标分群中的应用研究[D]. 毕鹏.浙江大学 2009
本文编号：3126424
【文章来源】：国防科技大学湖南省 211工程院校 985工程院校
【文章页数】：94 页
【学位级别】：硕士
【部分图文】：
目标分群的层次
国防科技大学研究生院硕士学位论文第5页领域的一个难点，维度灾难（curseofdimensionality）的现象大量存在。在这个问题上，很多研究者提出了“先对原始数据进行降维、再进行聚类”的方案，但这些降维工作大部分仍是由人工来进行操作的，人工降维的效率已经跟不上数据规模量级的增长，同时，在人工降维的过程中也无法保证原始数据结构的完整性。对于以上数据规模大、维度多的问题，深度学习技术就能够很好的解决，因此，本课题将结合深度学习技术和传统聚类技术两方面的优点，来实现对目标的智能分群。1.2.2深度学习技术研究现状深度学习是目前机器学习学科发展最蓬勃的分支，也是整个人工智能领域中应用前景最为广阔的技术，其概念关系如图1.2所示。深度学习的前身是人工神经网络（Artificialneuralnetwork，ANN），它是一种机器学习方法。所谓表示学习，就是要让算法在少量人为先验经验的情况下，能够自动从数据中抽取合适的特征[32]，完成原本需要通过特征工程才能得到的结果，深度学习就是通过多层非线性变换的组合方式，得到更抽象更有效的特征表示。图1.2深度学习技术的概念关系深度学习是指通过构建具有多个隐层的神经网络，在输入一定规模的数据样本训练集后，该神经网络能够学习到这些数据内部的特征，并预测得到相关领域的一些新数据或是某种发展趋势。深度学习技术经过近几年的发展，有多种基于深度学习的模型框架已经被广泛应用到各行各业中：自编码器（SelfAuto-Encoder，SAE）、卷积神经网络（ConvolutionalNeuralNetwork，CNN）、长短时记忆网络（LongShortTermMemory，LSTM）、生成对抗网络（GenerateAdversarialNetwork，GAN）等，其中LSTM可以实现时序特征的记忆，对解决意图识别时序性问题
国防科技大学研究生院硕士学位论文第13页相似维的高维子空间聚类算法，张涛等人[20]提出了一种基于低秩表示的子空间聚类改进算法。计算复杂度的问题同样也是子空间聚类需要应对的一个难题，其主要体现在对子空间中类簇的搜索过程中，当计算复杂度达到一定量级时，甚至会使后续的聚类算法失效[51][55]。因此如何采用有效的方法来降低子空间聚类的计算复杂度，仍需要进一步深入研究。2.2深度学习技术研究2.2.1深度前馈神经网络深度前馈神经网络（Deepfeedforwardneuralnetwork）相当于是多层感知机（MultilayerPerceptron，MLP），它通过定义一个映射来训练样本数据，在这个过程中参数会不断的更新，它的目的就是使这个映射的输入能够更加贴合实际。前馈网络之所以被称为“前辣的，是因为该网络的输出对网络中的参数不会产生反馈影响。神经网络的基本单位是多输入单输出形式的非线性神经元，其数学模型如图2.1所示。图2.1神经元的数学模型它的数学表达形式为
【参考文献】：
期刊论文
[1]人工智能赋能运营商“大连接”战略[J]. 汤人杰,杨巧节. 电信技术. 2018(04)
[2]基于相似度矩阵的雷达探测目标分群算法[J]. 陶宇,蒋序平. 火控雷达技术. 2018(01)
[3]基于改进空间划分的目标分群算法[J]. 樊振华,师本慧,陈金勇,段同乐. 系统工程与电子技术. 2017(05)
[4]态势估计中的目标分群算法设计与实现[J]. 张冬宁,艾伟. 无线电工程. 2016(11)
[5]一种基于低秩表示的子空间聚类改进算法[J]. 张涛,唐振民,吕建勇. 电子与信息学报. 2016(11)
[6]基于改进K-means算法的陆战场机动目标分群方法[J]. 张绪亮,张宏军,綦秀利,王文博,王泽,尹成祥. 信息技术. 2016(03)
[7]基于最近邻的随机非线性降维[J]. 田守财,孙喜利,路永钢. 计算机应用. 2016(02)
[8]基于数据场改进的目标分群算法[J]. 王骁,李东生,雍爱霞. 火力与指挥控制. 2015(12)
[9]二叉树多分类SVM在目标分群中的应用[J]. 段同乐,张冬宁. 无线电工程. 2015(06)
[10]最小方差优化初始聚类中心的K-means算法[J]. 谢娟英,王艳娥. 计算机工程. 2014(08)
博士论文
[1]基于排序模式分析与深度学习的风电设备故障诊断方法研究[D]. 江国乾.燕山大学 2017
[2]基于流形学习的特征提取方法及其应用研究[D]. 李波.中国科学技术大学 2008
[3]高维数据的聚类方法研究与应用[D]. 陈黎飞.厦门大学 2008
[4]高维数据挖掘中若干关键问题的研究[D]. 杨风召.复旦大学 2003
硕士论文
[1]高维数据的聚类分析研究及应用[D]. 苏飞.华北水利水电大学 2017
[2]基于聚类分析的空中战机目标分群应用研究[D]. 董冰.西安电子科技大学 2015
[3]高维数据子空间聚类算法研究[D]. 张井.天津大学 2012
[4]高维数据聚类算法的研究[D]. 易莉桦.燕山大学 2012
[5]改进的Chameleon层次聚类算法在目标分群中的应用研究[D]. 毕鹏.浙江大学 2009
本文编号：3126424
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3126424.html
