密度聚类融合小子样统计的观瞄系统状态评估

来源:用户上传      作者:

　　摘 要
　　为解决武器观瞄系统受多种不确定因素的影响难以测得大量数据，文中提出一种新的状态评估方法。使用局部聚类算法对已采集到的数据进行聚类，得到各个等级聚类中心及其分类，再通过小子样统计方法将小样本转换成大样本，解决了试验样本随机性和样本不足性对评估模型的影响。实例分析表明，经该方法建立的模型得到的结论与基于先验知识的判断一致，验证了所提方法的有效性。
　　关键词
　　观瞄系统;状态评估;监督信息;密度聚类;Bootstrap小子样统计
　　 中图分类号： E923.1             文献标识码： A
　　 DOI：10.19694/j.cnki.issn2095-2457.2020.09.066
　　Abstract
　　In order to solve the problem that the weapon sighting system is difficult to measure a large amount of data due to various uncertain factors，a new state assessment method is proposed.Use the local clustering algorithm to cluster the collected data to obtain the cluster centers of various levels and their classification.Then，the small sample is converted into a large sample by the small sample statistical method，which solves the impact of randomness and insufficient samples on the evaluation model.The example analysis shows that the conclusions obtained by the model established by this method are consistent with the judgment based on prior knowledge，which verifies the effectiveness of the proposed method.
　　Key Words
　　Viewing system;Status assessment;Density clustering;Bootstrap small sample statistics;State Assessment
　　0 引言
　　观瞄系统是一个逻辑十分复杂的系统，不光有瞄准镜控制盒的电气系统还有瞄准镜精密的机械系统，在作战过程中极易发生故障，从而在很大程度上影响武器的战斗力。
　　本文使用半监督局部密度聚类算法（Semi-Supervised Local Density Clustering）[1-2]，该算法降低算法聚类过程中搜索类的盲目性，引导算法快速实现数据聚类;同时，簇心点的选择方式也改进为由机器自动识别完成，使样本的聚类过程具有客观性，避免了由于对簇心点选择的错误而降低了算法的准确性。考虑到武器实验属于消耗性实验，试验成本较高，大量试验品不能重复使用，因此本文将聚类算法与统计方法相结合，充分运用Bootstrap小子样自助统计方法，利用小子样能够将小样本转换成大样本的特点，弥补试验样本的随机性和样本不足性的缺点，增强瞄准镜控制盒状态评估模型的稳定性。
　　1 半监督局部密度聚类算法
　　1.1 局部密度聚类算法基本思想
　　4 结语
　　武器观瞄系统的状态评估是一项复杂细致的工作，本文中对局部密度聚类算法进行改进，而后通过与Bootstrap小子样自助统计方法结合建立了基于半监督局部密度聚类算法的瞄准镜控制盒状态评估模型。该模型有效地解决了样本随机性和样本不足性对状态评估结果的影响，并且不需要通过大量试验去获取实验数据，节省了高额成本产生了巨大的经济效益;通过实车状态下的信号检测，能够较为全面地反映实际技术状况，既保证了系统状态评估的结果也提高了效率，体现了人工智能状态评估在军事中的重要作用。
　　参考文献
　　[1]周宇飞.基于偶对约束的半监督模糊聚类算法研究[D].河北大学，2014.
　　[2]李轶然，张春娜.基于成对约束的主动半监督聚类算法[J].计算机工程与设计，2013，34（08）：2897-2902.
　　[3]叶佐.局部密度聚类算法研究[D].浙江工业大学，2017.
　　[4]羅伟明，吴帆，黄业广，吴杰康，覃炜梅，龚杰，金尚婷.基于局部密度聚类算法的变压器故障状态评估[J].广东电力，2018，31（08）：81-90.
　　[5]Xuanxia Yao，Jiafei Wang，Mengyu Shen，Huafeng Kong，Huansheng Ning.An improved clustering algorithm and its application in IoT data analysis[J].Computer Networks，2019，159.
　　[6]Ahmed Fahim.A Clustering Algorithm based on Local Density of Points[J]. International Journal of Modern Education and Computer Science （IJMECS），2017，9（12）.
　　[7]汶小妮.攻击型无人机小子样攻击精度评估方法研究[D].西北工业大学，2005.
转载注明来源:https://www.xzbu.com/8/view-15205475.htm