基于聚类的战场目标活动异常检测
Anomaly Detection of Battlefield Targets Activity Based on Clustering
随着现代信息技术的高速发展,各种高新技术也不断地应用在了军事领域,使得战争越来越信息化,作战双方对信息的掌握和应用程度对战局有着越来越重要的影响.然而,军队信息化程度的提高也使得战场数据浩如烟海.因此,如何处理大量战场信息,给指挥员提供可靠、有用的信息情报,帮助指挥员进行正确、有效的决策,成为取得战场优势的关键.分析战场上敌方目标动态的异常变化,可以及时准确地发现战场上敌方战略部署的变化.但现阶段,大多数信息系统主要通过可视化技术将战场信息呈现给指挥员,主体功能在于展现信息,并没有深入地分析挖掘数据所隐含的其他有价值的作战信息,充分利用好战场感知信息.因此,需要采用更为有效的计算机辅助的方式来检测敌方目标信息数据的异常变化.基于此,本文主要的研究内容是对战场目标活动信息进行异常分析,包括群体目标的位置动态异常,群体目标的频域统计分布异常以及单目标的动态异常三个方面,为态势预测提供理论技术支撑.详细内容如下:(1)研究战场固定区域内群体目标位置动态的异常检测方法.由于战场上目标的位置分布存在不均匀的情况,使用传统DBSCAN聚类算法处理非均匀密度数据时聚类效果不佳,会导致异常检测结果出现较大偏差.本文提出了一种改进的DBSCAN聚类算法,有效解决了该问题,并以该算法为基础设计了异常检测流程,最后通过仿真验证了该检测流程的有效性.(2)研究战场固定区域内群体目标频域统计分布的异常检测方法.由于频域有十一个频段并且相互之间存在着相关性,使用欧式距离度量频域统计分布数据样本之间的距离时无法表现这种相关性.本文提出了一种改进的二次型距离来度量该距离,并以K-means聚类算法为基础,借鉴统计学的思想,设计了一套异常检测流程并验证了有效性.(3)研究战场固定区域内单目标动态的异常检测方法.由于单目标数据样本有着多个属性并且量纲不一致,本文通过将数据网格化来统一各属性的量纲,并以K-means聚类算法为基础,设计了一套异常检测流程,然后验证了有效性.
- 作者：
- 叶青
- 学位授予单位：
- 中国舰船研究院
- 专业名称：
- 计算机应用技术
- 授予学位：
- 硕士
- 学位年度：
- 2018年
- 导师姓名：
- 张剑
- 中图分类号：
- E11；TP311.13
- 关键词：
- 异常检测；K-means聚类算法；DBSCAN聚类算法
- anomaly detection; K-means clustering algorithm; DBSCAN clustering algorithm;