[发明专利]一种基于深度无监督学习的空域复杂度评估方法

权利要求书

1.一种基于深度无监督学习的空域复杂度评估方法，其特征在于，该方法用于处理从空域运行态势数据中提取的空域复杂度指标因子，包括如下步骤：

步骤1，建立基于深度学习网络的空域复杂度评估模型，并获取初始聚类质心；

步骤1.1：所述的深度学习网络采用堆叠式自编码器模型，包括镜像对称结构的解码端与编码端；堆叠式自编码器的编码端将输入的空域复杂度指标样本进行低维嵌入表示，实现非线性降维，其中非线性映射函数利用训练样本集来对堆叠式自编码器模型训练得到；设输入的训练样本集为x，是采集的历史空域复杂度指标集合，N代表训练样本数量，每个样本x_i包含28种空域复杂度指标因子，样本x_i的低维嵌入表示为z_i＝f_θ(x_i),训练样本集对应的低维嵌入点集合为z，f_θ是非线性映射函数，θ为堆叠式自编码器模型的网络参数；将集合z输入堆叠式自编码器模型的解码端，堆叠式自编码器的解码端输出的恢复数据集为y；

所述堆叠式自编码器，在编码端的计算方法如下：

将训练样本集x先经过Dropout(·)处理后输出集合Dropout(x)是随机将x中的一部分样本的一些特征因子设置为0；W₁是基于深度学习网络的编码端权重，b₁是基于深度学习网络的编码端偏置；g₁是基于深度学习网络的编码端激活函数，采用ReLu函数；

解码端计算方法如下：

将训练样本集z先经过Dropout(·)处理后输出集合Dropout(z)是随机将z中的一部分样本的一些特征因子设置为0；y表示堆叠式自编码器解码端恢复的数据集，W₂是基于深度学习网络的解码端权重，b₂是基于深度学习网络的解码端偏置；g₂是基于深度学习网络的解码端激活函数，采用ReLu函数；

步骤1.2：对网络参数θ进行初始化，包括：以‖y-x‖²为目标函数，利用x对堆叠式自编码器模型进行梯度下降训练，得到参数θ；当训练完毕后，丢弃堆叠式自编码器的解码端，只保留编码端；

步骤1.3：将空域运行态势的复杂度等级对应为三个聚类，利用步骤1.2中训练所获得的堆叠式自编码器的编码端，对训练样本进行低维嵌入表示，对低维嵌入表示的训练样本集利用k-means均值聚类获得初始聚类质心；

步骤2，构建训练空域复杂度评估模型时的代价函数；

设低维嵌入点存在一个实际的用于聚类任务的真实指派分布；利用t分布来描述低维嵌入点与聚类质心之间的相似度，称为软指派分布；空域复杂度评估模型训练时的目标是使软指派分布越来越接近真实指派分布，利用信息论中的相对熵—KL散度来衡量软指派分布与真实指派分布之间的差异，构造代价函数L；步骤3，利用训练样本集x采用梯度下降法，以最小化步骤2的代价函数为目标，训练空域复杂度评估模型；空域运行态势的三个复杂度等级的聚类质心也随训练过程进行更新；

经过步骤3得到训练好的空域复杂度评估模型以及三个空域复杂度的聚类质心；

采用梯度下降法进行训练的目标表示如下：

其中，L为利用KL散度的概念构建的代价函数；P代表真实指派分布，Q代表软指派分布；p_ij表示低维嵌入点z_i对于第j簇的真实指派分布；q_ij是软指派分布，表示将z_i指派给第j簇的概率；

在训练过程中，采用基于动量的随机梯度策略更新参数θ，具体是：分别计算代价函数L与低维嵌入点z_i、聚类质心μ_j的梯度

其中，α是常数；q_ij是z_i与质心μ_j的软指派分布，p_ij是z_i与质心μ_j的真实指派分布；

将两梯度值传递给堆叠式自编码器编码端网络，更新神经网络的参数θ；

步骤4，利用训练好的空域复杂度评估模型实时进行空域复杂度评估；

管制员从当前空域运行态势数据中提取空域复杂度指标因子，输入训练好的空域复杂度评估模型，得到低维嵌入点，计算该低维嵌入点与三个空域复杂度的聚类质心的软指派分布，选取其中软指派分布值最大的空域复杂度，作为当前输入的空域复杂度指标因子所对应的空域复杂度。

2.根据权利要求1所述的方法，其特征在于，所述的步骤2包括：

步骤2.1，计算每个低维嵌入点z_i与各聚类簇质心的软指派分布；

利用t分布来描述集合z中低维嵌入点z_i与质心点μ_j之间的相似度，表示为软指派分布q_ij，如下：

其中，q_ij∈[0,1]，也表示将z_i指派给第j簇的概率，j＝1,2,3；α是常数；

步骤2.2，计算每个低维嵌入点z_i的真实指派分布；

设z_i存在一个实际的用于聚类任务的真实指派分布，p_ij表示低维嵌入点z_i对于第j簇的真实指派分布，利用分区归一法计算如下：

其中，f_j＝∑_iq_ij，f_j代表了分类到第j个簇中的低维嵌入点的总的软指派分布概率之和；

步骤2.3，利用KL散度的概念来构建代价函数；

代价函数表示为其中，P代表真实指派分布，Q代表软指派分布；当且仅当P、Q分布形式完全一样时，L＝0。