Розробка алгоритму ідентифікації різних видів складних об’єктів моніторингу при веденні інформаційної роботи - Курсовая работа

Зокрема, підвищення інформаційного забезпечення застосування військ, у підрозділах і частинах збройних сил (ЗС) передбачається за рахунок підвищення точності визначення місцеположення джерела радіовипромінювання (ДРВП) засобами моніторингу з подальшою їх ідентифікацією та створенням відповідних моделей їх діяльності. Метою роботи є розробка алгоритму ідентифікації різних видів складних ОМ при веденні ІР, внаслідок роботи якого збільшується швидкість обробки інформації, яка надходить від засобів РМ та збільшується час для прийняття рішення оператором. Робота виконувалась методом кластерного аналізу, адже одним з найефективніших варіантів побудови моделі розміщення складних обєктів моніторингу в умовах відсутності апріорної вибірки є застосування кластерного аналізу. Використання алгоритмів кластеризації дозволяє здійснювати побудову можливих варіантів розміщення обєктів моніторингу з врахуванням особливостей рельєфу місцевості на основі геоінформаційних систем (ГІС) з меншими затратами часу.Сьогодні, основою досягнення переваги над противником є технологічна перевага та збільшення інформаційної складової забезпечення бойових дій ЗС, а головною рисою сучасної збройної боротьби - інтеграція процесів ведення моніторингу, передачі даних, управління військами та зброї, вогневої поразки противника в масштабі часу близькому до реального. Їх успішність радикально повязують з можливостями добувати й доставляти споживачеві необхідну інформацію для вирішення визначених збройним силам завдань. Процес прийняття рішення при веденні РМ характеризується частковою невизначеністю, неповнотою і недостовірністю інформації, малим резервом часу та динамічною зміною РЕО. Враховуючи особливості ведення РМ: умови невизначеності та відсутність апріорної інформації про груповий обєкт, що робить не можливим використання класичної теорії ідентифікації (класифікації), в даній роботі мною запропоновано рішення даної задачі за допомогою кластерного аналізу [3]. Таким чином, основна мета аналізу - виділити у вхідних багатовимірних масивах даних такі однорідні підмножини, щоб обєкти всередині груп були схожі між собою, а обєкти з різних груп - не схожі.Серед таких груп, згідно [18] виділяються наступні: а) ієрархічні групи - будують не одне розбиття вибірки на кластери, що не перетинаються, а систему вкладеного розбиття. За допомогою таких груп можна виділити кластери, обєднуючи менші кластери та розподіляючи більші. низхідні типи груп кластеризації працюють за принципом «згори-вниз»: на початку усі обєкти поміщаються в один кластер, який потім розбивається на дрібніші кластери. висхідні типи, які на початку роботи поміщають кожен обєкт в окремий кластер, а потім обєднують кластери у більші, поки усі обєкти вибірки не будуть міститись в одному кластері. б) неієрархічні (плоскі) - будують одне розбиття обєктів на кластери. Робота алгоритму ділиться на декілька етапів: випадковий вибір k точок, що є початковими «центрами мас» кластерів; віднесення кожного обєкта до кластера з найближчим «центром мас»; перерахування «центрів мас» кластерів згідно з їх поточним складом; якщо критерій зупинки алгоритму не задоволений, то повернутися до віднесення кожного обєкта до кластера з найближчим «центром мас».Процес прийняття рішення при веденні РМ характеризується частковою невизначеністю і недостовірністю інформації, малим резервом часу та динамічною зміною РЕО. Але, незважаючи на це, проблема актуальна, розробляються нові алгоритми для вирішення тих чи інших завдань. Для роботи над кваліфікаційною роботою необхідно проаналізувати методи і алгоритми кластеризації, розібратися в області застосування кожного з них і вибрати найбільш доцільний для даного завдання алгоритм, який повинен забезпечувати: вибір найкращого рішення з множини можливих рішень ідентифікації складних ОМ, головним елементом якого є кластеризація. Задачу підвищення достовірності своєчасного і правильного рішення для визначення місцеположення ОМ та його ідентифікації можна вирішити шляхом автоматизації процесу обробки інформації і формування рекомендацій, що призведе до значного зменшення часу інформаційної підготовки прийняття рішення. Його зменшення дасть оператору більше часу на прийняття рішення, що дозволить більш детально аналізувати інформацію, яка надходить про ОМ, і дасть можливість використання додаткової інформації.На другому етапі вибрано сукупність алгоритмів кластеризації, на основі яких буде будуватись математична модель. розраховується новий центр кожного кластера як елемент, ознаки якого розраховуються як середнє арифметичне ознак обєктів, що входять у цей кластер. Це повторення грунтоване на мінімізації цільової функції, яка представляє собою відстань від будь-якого елемента кластера у центрі самого кластеру, зважених щодо членства класу, відносно іншого елемента кластера. Дисперсія всередині кластера буде мінімізована, а між кластерами - максимізована. Кластери представляються нечіткими множинами, і, крім того, межі між кластерами також є нечіткими.Загальними законами

ЗМІСТ

ПЕРЕЛІК УМОВНИХ ПОЗНАЧЕНЬ

ВСТУП

1. ТАКТИКО ? ТЕХНІЧНЕ ОБГРУНТУВАННЯ НЕОБХІДНОСТІ РОЗРОБКИ АЛГОРИТМУ ІДЕНТИФІКАЦІЇ СКЛАДНИХ ОБЄКТІВ МОНІТОРИНГУ НА ОСНОВІ НЕЧІТКИХ АЛГОРИТМІВ КЛАСТЕРНОГО АНАЛІЗУ

1.1 Методи та алгоритми кластеризації

1.2 Постановка задачі дослідження

2. РОЗРОБКА АЛГОРИТМУ ІДЕНТИФІКАЦІЇ СКЛАДНИХ ОБЄКТІВ МОНІТОРИНГУ НА ОСНОВІ НЕЧІТКИХ АЛГОРИТМІВ КЛАСТЕРНОГО АНАЛІЗУ

ПЕРЕЛІК ПОСИЛАНЬ