[发明专利]一种支持向量聚类神经网络的大数据目标物边缘构建方法

权利要求书

1.一种支持向量聚类神经网络的大数据轮廓构建方法，其特征在于，包括如下步骤：

(1)探测装置通过探测得到目标与探测装置之间的距离和方位夹角信息；

(2)探测装置通过导航定位系统获得当前自身位置信息；

(3)通过坐标变换得到目标数据点在全局坐标系下的坐标k_w，w＝1,…,a，a是目标数据点个数，构成数据集：

K＝{k₁,k₂,…,k_w}；

k_w是二维向量，包括目标数据点的横坐标和纵坐标；

(4)采用支持向量聚类将步骤(3)得到的数据集K划分成若干集群，得到描述每个数据集群轮廓的支持向量；

(5)通过邻接矩阵将数据集K按照步骤(4)的集群进行类别划分，去除异常数据点，对划分后的集群分配类别标号，确定各类别集群的聚类中心；

(6)构建径向基神经网络，设定网络参数，对神经网络进行训练，得到训练后的神经网络；

(7)将步骤(5)中去除异常数据点后的聚类数据输入到训练好的神经网络中，得到目标轮廓边界点。

2.根据权利要求1所述的一种支持向量聚类神经网络的大数据轮廓构建方法，其特征在于，所述步骤(4)包括：

(4.1)将数据集K通过非线性变换矩阵H＝{Θ(k_w)|1≤w≤a}映射到高维空间中，Θ(·)为非线性变换函数；

(4.2)计算任意数据点的支持向量k_w在特征空间中的像到点n的距离：

o_w≥0,ω_w≥0为拉格朗日乘子，‖·‖为欧几里得范数，X(k_v,k_w)＝exp(-2d‖k_v-k_w‖²)，d为设定的调节集群划分情况的尺度参数；v为与w不同的标号；

(4.3)寻找点n为圆心半径为E最小的超球体：

A为支持向量的个数；

(4.4)寻找到函数minR²的最优解；

各数据点到球心n的距离与半径E之间的关系为：

式中：α_w≥0为球半径松弛变量；

(4.5)引入拉格朗日函数：

P∑ω_w为惩罚项，P为设定的集群划分的超参数；

(4.6)将拉格朗日函数转化为Wolfe对偶形式：

(4.7)将拉格朗日函数分别对E、n、k_w求导并使导数为零得到：

∑o_w＝1；

k_w＝P-ω_w；

根据强对偶和KKT条件得到：

o_wω_w＝0；

(2E²+α_w-2||Θ(k_w)-n||²)o_w＝0；

(4.8)对数据集K中数据点进行判定：

若o_w0,ω_w＝P，数据点位于超球体外部，为异常数据点；

若o_w＝0,0ω_wP，数据点位于超球体表面，为支持向量；

若o_w＝0,ω_w＝0，数据点位于超球体内部，为聚类内部点。

所述邻接矩阵为N＝(N_vw)_a×a：

式中：seg(k_v,k_w)是任意点k_v和k_w之间的连接线；

在seg(k_v,k_w)上随机取n1个点，将n1个点坐标分别代入函数E²(n1)，若函数值均小于超球体最小半径，则判定seg(k_v,k_w)全部位于超球体内部时，k_v和k_w属于同一集群，数据集群的轮廓边界由支持向量来表示。