基于卷积神经网络的空间目标特性聚类分析研究
2020-07-02王文竹李智来嘉哲方宇强
指挥与控制学报 2020年2期
王文竹 李智 来嘉哲 方宇强
1.航天工程大学北京101416
随着空间目标数量不断增加和空间环境日益复杂,空间态势感知领域(Space Situational Awareness,SSA)面临着越来越大的挑战[1].SSA 的主要任务是对影响空间行动的空间态势要素进行识别、描述和理解,并结合相关情报信息对空间态势的发展趋势进行预测和分析.其中,空间目标特性分析是空间态势感知的重要内容之一,主要完成目标属性特征的分类识别,从而支撑身份确认、异常预警和行为预测等指挥控制,对空间态势的理解和掌握发挥着重要作用[2−3].
空间目标特性数据是利用雷达和光学等设备获取的目标探测数据,与目标形态、状态和轨道等特征密切相关,因而可以利用目标特性数据对其特征进行分析.聚类算法是一类重要的机器学习算法,能够对海量数据进行无监督分类和识别[4−5],从中获得有价值的信息和结论.尤其是在缺少训练样本和先验知识的情况下,聚类算法也能有效实现空间目标的分析和识别,对目标类型、身份、行为等特征的初步判断发挥重要作用.因此,随着新进空间目标数量的不断增加,利用聚类方法进行目标特性分析将成为判断目标基本特征的重要手段.
然而,由于目标特性数据具有类型维度多样、特征不易辨识等问题,给聚类分析带来了一定的挑战,造成类别特征不明显、聚类结果准确率低等问题[6].随着卷积神经网络技术的快速发展[7−8],在实现海量数据高效识别分类的同时,也为数据特征提取带来了新的方法和手段[9].本文利用卷积神经网络的特征提取能力,首先对空间目标特性数据进行特征提取,从而提高其特征的辨识度,有利于进行聚类分析;……
登录APP查看全文
