[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

说明书

本发明属于机器学习技术领域，具体涉及一种基于支持向量聚类神经网络的大数据目标物边缘构建方法。本发明包括：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；探测装置通过导航定位系统获得当前自身位置信息；通过坐标变换得到目标数据点在全局坐标系下的坐标。本发明将支持向量聚类应用到径向基神经网络中，改进了原有神经网络需要根据经验预先设定聚类中心的问题。通过对支持向量聚类结果分析，可以有效地去除噪声点和散点数据，保留对目标影响较大的数据。将支持向量聚类与径向基神经网络相结合的聚类方法应用到数据处理中，实现图像构建。

技术领域

本发明属于机器学习技术领域，具体涉及一种基于支持向量聚类神经网络的大数据目标物边缘构建方法。

背景技术

随着人类社会发展的智能化网络化更高，基于人工智能和大数据的数字孪生技术发展迅速，对于物体边界目标物边缘的构建成为热门技术，各国学者研究出了一系列的智能方法和设备，针对环境构建中的数据特点，选择小波聚类作为聚类方法。小波聚类算法对数据对象的输入先后顺序不敏感、聚类的结果不受噪声影响、不需要关于类数量的先验知识、聚类速度非常快、能对大型数据集进行聚类；小波聚类在特征空间上应用小波变换会产生多个分解层次，对每个分解层次能产生不同精度的簇集，而每次分解时应用的低通滤波器可以移除噪声，因此小波聚类能在聚类的同时除去噪声。因此小波聚类被广泛地应用在大数据集和高维度数据集的处理中。但是上述方法中许多参数的设定要依据经验，速度相对较慢，并且对于大规模的数据点，结果并不可靠。同时现有的局部导航算法例如人工势场法，视线法等在动态障碍数量增多的情况下，计算量加巨，导致结果优化程度不够。

发明内容

本发明的目的在于提供一种能够有效的将某种目标轮廓的数据聚类在一起，从而获取整体目标物边缘的支持向量聚类神经网络的大数据目标物边缘构建方法。

本发明的目的是这样实现的：

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，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目标物边缘的支持向量；

(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，得到目标目标物边缘边界点。

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：