(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210956655.0 (22)申请日 2022.08.10 (65)同一申请的已公布的文献号 申请公布号 CN 115034690 A (43)申请公布日 2022.09.09 (73)专利权人 中国航天科工集团八五一 一研究 所 地址 211103 江苏省南京市江宁区建衡路 99号 (72)发明人 朱伟强　杨蔚　杨佳敏　李贵显　 陈迪　郑鹏飞　方维海　 (74)专利代理 机构 南京理工大 学专利中心 32203 专利代理师 朱沉雁(51)Int.Cl. G06Q 10/06(2012.01) G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06K 9/62(2022.01) (56)对比文件 CN 111275132 A,2020.0 6.12 CN 114139023 A,202 2.03.04 审查员 朱凤阳 (54)发明名称 一种基于改进模糊C-均值聚类的战场态势 分析方法 (57)摘要 本发明公开了一种基于改进模糊C ‑均值聚 类的战场态势分析方法， 对战场态势数据进行分 析， 清洗和预处理， 得到待聚类数据； 根据战场态 势要素对态势数据进行结构化属性分析， 将相同 的态势数据进行聚合， 关联成主聚类和次级聚 类， 经过分群聚类的态势数据聚类按照点密度进 行区域划分和色彩渲染， 完成战场态势数据的展 现。 本发明解决了原算法易陷入局部最优点的问 题， 收敛速度和精度都得到 了提高。 权利要求书3页 说明书6页 附图3页 CN 115034690 B 2022.11.18 CN 115034690 B 1.一种基于改进模糊C ‑均值聚类的战场态 势分析方法， 其特 征在于， 步骤如下： 步骤一、 采集战场态势数据， 并对战场态势数据进行清洗， 得到战场态势数据集， 转入 步骤二； 步骤二、 利用改进的模糊C ‑均值算法对战场态势数据集进行处理， 对战场数据集中的 态势要素进行聚类分析后， 获得不同态 势要素的次级聚类， 具体如下： 步骤2‑1、 对战场态 势数据集进行处 理， 对应得到不同批次的归一 化数据集， 具体如下： 对战场态势数据集进行处理， 得到不同批次的战场待分群数据集合： X＝{x1,x2,....., xn}； 对上述不同批次的战场待分群数据集进行归一化处理， 对应得到不同批次的归一化数 据集x(1)(i,j)： 其中， x(i,j)表示战场在当前环境下第i类目标第j维的态势特征信息， xmin指所有目标 在第j维属性上的最小值， xmax指所有目标在第j维属性上的最大值； 转入步骤2 ‑2； 步骤2‑2、 利用改进的模糊C ‑均值算法对战场态势数据集进行处理， 获得归一化数据集 中的初始个 体最优解， 进 而得到初始全局最优解， 具体如下： 对归一化数据集进行初始化， 通过粒子群算法得到归一化数据集中的个体最优与全局 最优， 将所述不同批 次的战场待分群数据集合X＝{x1,x2,.......,xn}作为样本数据， 将上 述X＝{x1,x2,......,xn}中的每个样本点xλ看作一个粒子， λ＝1,2,3........,n， 搜索范围 为D维空间， 则初始化每个样本的速度为 通过粒子的当前位置计 算出目标函数值， 目标函数值的大小代表该位置的优劣； 将单个粒子所到达过的初始最优 位 置 记 为 整 个 粒 子 群 所 到 达 过 的 初 始 最 优 位 置 记 为 转入步骤2 ‑3； 步骤2‑3、 根据初始全局最优解， 更新目前的划分矩阵及聚类中心， 并通过改进的模糊 C‑均值算法的目标函数minJ( μ, ν )对当前聚类结果进行评估， 获得不同态势要素的次级聚 类， 具体如下： 1)若评估结果未达到聚类最优且迭代次数未达上限， 则根据 单个粒子最优位置和整个 粒子群最优位置不断更新粒子的速度与其空间位置： 其中， 粒子序号 λ＝1,2,3........,n， w为惯性因子， r1和r2为随机约束数； c1和c2均为加 速常数， α 为约束因子， 当粒子群整体最优位置满足目标函数最小误差或达到最大迭代次数 时， 则停止迭代， 获得聚类结果； 2)若评估结果已达到最优或迭代次数达到最大值， 将改进的模糊C ‑均值算法得到的聚 类结果反馈给Gap  Statistics算法， Gap  Statistics算法通过比较数据集的平均 期望值来 判定是否达到最优样本聚类， 经过聚类处理后的样本数据集为Zλ＝{z1,z2,.......,zn}， 将权　利　要　求　书 1/3 页 2 CN 115034690 B 2数据样本划分为V 类， 分别为C1,C2,...Ct...,CV， t＝1， 2……V， Ct表示第t类， Nt表示第t类的 样本点数目； 第t类中任意两个样本点之间的距离总和Dt为： 其中， dpr表示空间中两个样本点xp和xr之间的距离； 权重Wv为 定义测量 值Samplen(v)： Samplen(v)＝En(exp(Wv))‑exp(Wv)               (9) 其中En为聚类处 理后的样本数据集的期望值； B为聚类处 理后的样本数据集的数量； 为了更新选择区间， 计算标准差 迭代误差er r(v)为 其中， GS权值 w'为 最后选择满足 的最小的v值作为 最优的聚类 个数； 判断测量值Samplen(v)是否满足最优解条件， 若满足， 则结束， 输出 战场态势数据的最 优目标分群结果， 否则将更新聚类中心数量后， 重新进 行聚类处理， 直到满足最优解条件为 止， 获得最优聚类结果。 2.根据权利要求1所述的基于改进模糊C ‑均值聚类的战场态势分析方法， 其特征在于， 步骤一中， 采集战场态势数据， 并对战场态势数据进行清洗， 得到 战场态势数据集， 具体如 下： 步骤1‑1、 采集战场态 势数据， 并对战场态 势数据进行清洗： 战场中的战场态势数据包括 时间维度、 空间维度、 互作用对象、 服务对象、 平台支撑、 数 据支撑； 基于邻近性将数据异常进行分类， 为确定数据清洗方法提供依据； 步骤1‑2、 对清洗后的数据进行集成， 得到战场态 势数据集。 3.根据权利要求2所述的基于改进模糊C ‑均值聚类的战场态势分析方法， 其特征在于， 步骤1‑1中， 采集战场态 势数据， 并对战场态 势数据进行清洗， 具体如下： 1‑1‑1)若变量的缺失率大于80％， 整体覆盖率小于 60％， 直接将变量删除； 若变量缺失率小于95％， 且重要性较低， 则根据数据分布的情况进行填充， 若需要填充权　利　要　求　书 2/3 页 3 CN 115034690 B 3