[发明专利]一种基于SA-PFCM++算法的目标分群方法

说明书

本发明公开了一种基于SA‑PFCM++算法的目标分群方法，首先初始化参数，并求出数据集的均值，计算每个样本点与所述均值的第一带权重欧式距离，排序后利用D²采样选择出第一个初始聚类中心，然后计算每个样本点与所述聚类中心的第二带权重欧式距离，排序后利用D²采样选择出下一个所述初始聚类中心，直至所述初始聚类中心数量达到设定条件，然后根据所述初始聚类中心迭代更新对应参数，直至迭代次数值达到设定阈值或聚类成员不再变化，计算对应的Xie‑Beni‑Sun(简称XBS)指标，然后更新初始参数值，直至达到设定停止条件，对比不同聚类数目下的XBS指标，输出设定XBS指标下的簇数目和类簇。有效降低了态势评估中目标分群的难度，提高了决策效率。

技术领域

本发明涉及目标分群技术领域，尤其涉及一种基于SA-PFCM++算法的目标分群方法。

背景技术

现代战争主要以电子化、信息化战争为主。指挥员决策所面临的主要问题不再是战场信息缺乏，而是如何从海量的信息中科学高效的挖掘出有用信息。在实际战场环境中，作战目标数量众多，敌我各类型目标交错夹杂在一起，并且具有模糊性和不确定性，这些海量复杂信息不仅增加了指挥员正确分析战场态势的复杂性，而且随着时间的增加信息量越来越多，给指挥员进行战场实时决策造成了困难，目标分群的本质是一个数据聚类问题。在目前的研究，按照类数是否需要预先设定，可以将常用的聚类方法分为类数已知算法和类数未知算法。其中，类数已知算法中典型的方法有K均值算法和模糊C均值算法。该类算法的分类结果较为依赖于初始聚类中心及聚类数目的选取，造成了聚类结果稳定性不足的问题。类数未知算法中典型的方法有迭代自组织数据分析算法(ISODATA)算法和最近邻算法。ISODATA算法是在K均值算法的基础上增加对聚类结果的合并和分裂操作实现动态分群，但其以样本与聚类中心的距离作为分群依据，适合于解决球状簇样本分群问题，而对于战场中常见的线性编队分群问题存在不足，同时ISODATA算法需要初始设置的参数较多，针对战场目标群复杂多变的情况，很难设定比较合适的初始参数值。最近邻算法通过设定阈值实现分群，简单易实现，但其作为监督学习类的算法，无法适应于战场环境，上述算法都无法降低态势评估中目标分群的难度，降低决策效率。

发明内容

本发明的目的在于提供一种基于SA-PFCM++算法的目标分群方法，有效降低了态势评估中目标分群的难度，提高了决策效率。

为实现上述目的，本发明提供了一种基于SA-PFCM++算法的目标分群方法，包括：

获取样本集并初始化参数，求出所述样本集的均值；

计算每一个样本点与所述均值的第一带权重欧式距离，排序后利用D²采样选择出第一个初始聚类中心；

计算每个样本点与所述初始聚类中心的第二带权重欧式距离，排序后利用D²采样选择出下一个所述初始聚类中心，直至所述初始聚类中心数量达到设定条件；

根据所述初始聚类中心迭代更新对应参数，直至所述迭代次数达到设定阈值或聚类成员不再变化，计算对应的XBS指标；

更新初始参数值，直至达到设定停止条件；

输出最优XBS指标下的簇数目和类簇。

其中，所述获取样本集并初始化参数，求出所述样本集的均值，包括：

获取聚类个数和包含多个数据对象的样本集，并初始化最大类别数、当前聚类数目，模糊权重、迭代次数，并计算出所述样本集的均值。

其中，计算每个样本点与所述均值的第一带权重欧式距离，排序后利用D²采样选择出第一个初始聚类中心，包括：