基于卷积神经网络的空间目标特性聚类分析研究

发布时间：2024-02-22 12:05

　　空间目标特性聚类是支撑目标分析、属性分类和身份识别等指挥与控制的有效方法.原始特性数据特征不易辨识,直接聚类分析效果往往不够理想.为此,利用卷积神经网络的特征提取能力,对原始特性数据进行特征提取,获取高质量数据特征;基于K-means算法对目标特征数据进行聚类分析.实验结果表明,该方法在分析准确率和算法性能上都明显提高,有效增强了空间目标特性分析能力,能更好地支撑空间态势相关决策.

【文章页数】：6 页

【部分图文】：

图2基于聚类分析的空间态势感知指挥与决策技术框架

近年来,人工智能技术取得了快速发展,在图像识别、金融和自然语言处理等领域取得了成功应用基于机器学习的数据分析也成为了研究热点之一相关学者和机构在空间态势的智能分析领域开展了诸多研究,包括目标机动行为识别预测研究[12]、目标行为变化和翻滚率等行为指示告警[13]、以及空间态势智能....

图3基于卷积神经网络的数据特征提取

输入矩阵经过多个卷积、池化和激活函数等计算后,在第7层输出(1×64)维的特征向量.由于卷积神经网络模型具有优良的泛化能力,输出特征向量不仅在维度上大幅降低,并且具有更好的特征属性,易于进行相关算法的分析研究.虽然卷积神经网络的训练时间较长,但在数据特征提取时不需要反向传播计算过....

图4不同簇内节点的聚类分析对比

图4展示了两个节点的聚类分析对比,其中左侧是原始特性数据,右侧是提取后的特征数据.在实际情况中,两者的外形、材质等存在一定差异,应划分到不同簇内.但由于原始数据特征不易辨识,K-means算法将其划分到同一簇内,导致分析结果错误.而在对特征数据进行分析时,K-means算法能够正....

图5聚类收敛过程对比

从图5中可以看到,原始数据的收敛速度较慢,这主要是由于原始数据的特征辨识度较低,导致节点归属簇的标签频繁震荡,簇中心节点无法快速确定.相比之下,特征数据的聚类过程能够较准确地计算出节点归属的簇,减少了节点簇标签的震荡,因此,收敛速度较快.总的来说,特征数据的收敛速度比原始数据提高....

本文编号：3906730