基于深度自编码网络的智能目标分群算法
发布时间：2022-01-15 04:32
随着大量战场观测传感器的应用,输入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,采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。针对当前目标分群技术的困境,提出了一种基于深度学习的智能目标分群技术,构建了基于深度堆栈自编码网络的目标分群模型,分别将k-means和GMM嵌入到目标分群模型中,提出了DAE-k和DAE-G两种基于深度学习的智能目标分群算法。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,验证了两种目标分群算法的有效性和适用性,并分析得出两种目标分群算法在处理不同数据类型过程中的优劣性。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】：指挥控制与仿真. 2020,42(06)
【文章页数】：7 页
【部分图文】：
基于三层前馈神经网络的自编码结构
在特征提取阶段,战场目标数据从模型的输入层进入一个堆栈式自编码网络层,该网络层是由3个自编码器(AE)堆栈构成,经过逐层参数预训练后,将自编码网络层的参数进行初始化,进而得到战场目标数据在低维空间上的特征表示。在分群精调阶段,将战场目标数据的低维特征表示输入目标分群层,当系统给定分群的类别数时,目标分群层输出分群结果,即分群得到的类中心点和各个类之间的距离,再通过ADMM(Alternating Directed Method of Multipliers,ADMM)交替并行地方式优化聚类层以及堆栈式自编码网络层的目标函数,对各层的参数进行精调。ADMM是一种非反向传播的深度神经网络训练方法,该方法通过将目标函数分解为多个子目标的方式来得到全局最优解[9-11]。
表2 四种聚类算法的聚类结果 Algorithm k-means DAE-k GMM DAE-G Data set Purity ACC NMI Purity ACC NMI Purity ACC NMI Purity ACC NMI D01 0.572 9 0.569 8 0.537 3 0.743 1 0.728 5 0.712 5 0.325 8 0.304 1 0.284 6 0.752 6 0.715 4 0.718 8 D02 0.603 2 0.592 2 0.479 3 0.852 4 0.813 4 0.802 2 0.498 8 0.436 5 0.409 6 0.657 3 0.614 7 0.648 5 D03 0.523 3 0.527 6 0.498 6 0.796 3 0.752 2 0.704 5 0.276 4 0.284 1 0.201 5 0.668 8 0.674 1 0.651 5 D04 0.542 1 0.463 4 0.526 6 0.752 3 0.705 9 0.697 2 0.497 0 0.483 1 0.469 1 0.652 1 0.274 1 0.621 2 D05 0.479 8 0.501 1 0.468 3 0.732 4 0.752 1 0.701 1 0.396 6 0.374 4 0.354 7 0.736 5 0.751 5 0.695 1从表2和图2中的聚类准确度可以看出,在本文构建的5个数据集上,DAE-k的聚类效果要优于k-means,DAE-G的聚类效果要优于GMM。从4种聚类算法整体来看,在数据集D01、D02、D03、D05中基于深度学习技术的DAE-k与DAE-G聚类算法相比于传统的标准k-means、GMM聚类算法在聚类效果上均有一定优势。而在数据集D04中,DAE-G的聚类效果与k-means、GMM的水平相当。
【参考文献】：
期刊论文
[1]基于水平集的目标分群方法[J]. 李镜,刘磊浩,刘新,马培博,郭胜楠. 无线电工程. 2019(10)
[2]基于自编码网络和聚类的入侵检测技术[J]. 周康,万良. 计算机技术与发展. 2019(05)
[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]空中目标的战术群特征识别方法[J]. 崇元,李加祥,艾葳. 指挥控制与仿真. 2015(04)
硕士论文
[1]战场态势评估中的目标分群与识别[D]. 赵昀瑶.西安电子科技大学 2019
[2]基于大数据处理的态势数据管理与目标分群技术研究[D]. 李慧玲.电子科技大学 2019
本文编号：3589906
【文章来源】：指挥控制与仿真. 2020,42(06)
【文章页数】：7 页
【部分图文】：
基于三层前馈神经网络的自编码结构
在特征提取阶段,战场目标数据从模型的输入层进入一个堆栈式自编码网络层,该网络层是由3个自编码器(AE)堆栈构成,经过逐层参数预训练后,将自编码网络层的参数进行初始化,进而得到战场目标数据在低维空间上的特征表示。在分群精调阶段,将战场目标数据的低维特征表示输入目标分群层,当系统给定分群的类别数时,目标分群层输出分群结果,即分群得到的类中心点和各个类之间的距离,再通过ADMM(Alternating Directed Method of Multipliers,ADMM)交替并行地方式优化聚类层以及堆栈式自编码网络层的目标函数,对各层的参数进行精调。ADMM是一种非反向传播的深度神经网络训练方法,该方法通过将目标函数分解为多个子目标的方式来得到全局最优解[9-11]。
表2 四种聚类算法的聚类结果 Algorithm k-means DAE-k GMM DAE-G Data set Purity ACC NMI Purity ACC NMI Purity ACC NMI Purity ACC NMI D01 0.572 9 0.569 8 0.537 3 0.743 1 0.728 5 0.712 5 0.325 8 0.304 1 0.284 6 0.752 6 0.715 4 0.718 8 D02 0.603 2 0.592 2 0.479 3 0.852 4 0.813 4 0.802 2 0.498 8 0.436 5 0.409 6 0.657 3 0.614 7 0.648 5 D03 0.523 3 0.527 6 0.498 6 0.796 3 0.752 2 0.704 5 0.276 4 0.284 1 0.201 5 0.668 8 0.674 1 0.651 5 D04 0.542 1 0.463 4 0.526 6 0.752 3 0.705 9 0.697 2 0.497 0 0.483 1 0.469 1 0.652 1 0.274 1 0.621 2 D05 0.479 8 0.501 1 0.468 3 0.732 4 0.752 1 0.701 1 0.396 6 0.374 4 0.354 7 0.736 5 0.751 5 0.695 1从表2和图2中的聚类准确度可以看出,在本文构建的5个数据集上,DAE-k的聚类效果要优于k-means,DAE-G的聚类效果要优于GMM。从4种聚类算法整体来看,在数据集D01、D02、D03、D05中基于深度学习技术的DAE-k与DAE-G聚类算法相比于传统的标准k-means、GMM聚类算法在聚类效果上均有一定优势。而在数据集D04中,DAE-G的聚类效果与k-means、GMM的水平相当。
【参考文献】：
期刊论文
[1]基于水平集的目标分群方法[J]. 李镜,刘磊浩,刘新,马培博,郭胜楠. 无线电工程. 2019(10)
[2]基于自编码网络和聚类的入侵检测技术[J]. 周康,万良. 计算机技术与发展. 2019(05)
[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]空中目标的战术群特征识别方法[J]. 崇元,李加祥,艾葳. 指挥控制与仿真. 2015(04)
硕士论文
[1]战场态势评估中的目标分群与识别[D]. 赵昀瑶.西安电子科技大学 2019
[2]基于大数据处理的态势数据管理与目标分群技术研究[D]. 李慧玲.电子科技大学 2019
本文编号：3589906
本文链接：https://www.wllwen.com/shekelunwen/renwuzj/3589906.html
