摘 要

在不断收集累积海战场信息的过程中，由于缺乏统一的战场事件模型支持，所得到的部分信息只以文字形式表达，无法快速直观地把握战场信息，也无法进行事件内部及事件之间关系的研究。论文主要研究了海战场时空事件的模型表示，以及在建立时空事件模型基础上，对海战场事件进行聚类分析。

研究结果表明，AOG模型可直观地表示海战场时空事件，清晰地把握事件涉及的实体、时空以及事件内部各要素之间的关系。在AOG模型的基础上，进行事件之间的相似度计算并采用AP算法对事件进行聚类。

。

关键词：海战场；时空事件； AOG模型；AP聚类

Abstract

In the process of continuously collection of sea battlefield information, due to the lack of a unified battlefield event model support, some of the information obtained is only expressed in written form. It is difficult to quickly and intuitively grasp the battlefield information, and it is difficult to carry out the internal relations of events.and the connections between events. The thesis mainly studies the model representation of the sea battlefield spatio-temporal events, and based on the establishment of the spatio-temporal event model, the sea battlefield events are clustered.

The research results show that the AOG model can intuitively represent the sea battlefield spatiotemporal events and clearly grasp the relationship between the entities involved in the incident, space-time and the internal elements of the incident. Based on the AOG model, the similarity between events is calculated and the AP algorithm is used to cluster the events.

Key Words：Sea battlefield；Spatio-temporal events；AOG model；Affinity Propagation

目录

第1章 绪论 1

1.1 研究背景 1

1.2 研究目的及意义 1

1.3 国内外研究现状 1

1.3.1时空数据模型 1

1.3.2时空事件聚类分析 2

1.4 课题研究内容 2

1.5 技术路线 3

第2章 海战场时空数据建模 4

2.1.海战场时空数据特性 4

2.2 时空事件的概念及表示 4

2.2.1事件 4

2.2.2 时空数据模型 4

2.3 AOG模型 5

2.3.1模型简介 5

2.3.2 AOG模型在本研究中的应用 5

第3章 时空事件聚类方法 7

3.1 聚类概述 7

3.2聚类算法分类 7

3.3 时空聚类 8

3.4 AP聚类 8

3.4.1 AP聚类简介 8

3.4.2 AP聚类在本研究中的应用 10

第4章 研究实现 12

4.1 构建AOG时空模型 12

4.1.1 确定AOG节点表达方式 12

4.1.2 确定事件内部关系表达方式 12

4.1.3 构建所有事件的AOG模型 13

4.2计算事件间的相似度 13

4.3 AP聚类 14

4.3.1.在MATLAB中实现AP算法 14

4.3.2.导入相似度矩阵 15

4.4.4得到聚类结果 16

第5章 研究结果分析 17

5.1总体结果 17

5.2类别解析说明 18

5.3 聚类结果总结 41

第6章 讨论 43

参考文献 44

致 谢 45

第1章 绪论

1.1 研究背景

“现阶段和即将到来的战争形势为核威慑下的信息化战争”——钱学森（1995年国防科工委首届科技学术交流大会）。科技的迅速发展，推动了作战方式的演变。信息化战争的发展，使多维的战场情况信息可以被快速大量收集，然而若没有对应的战场事件模型，获取的战场信息无法直观高效的呈现，指挥员或计算机无法快速识别判断，使大量信息无法充分利用，造成极大的信息资源浪费。

战场信息是指在战场上出现的各类信息，主要包括战场态势信息、战场侦查监视预警信息、战场环境信息。战场态势信息主要包括参战部队的当前的位置信息及其状态信息、属性信息等。战场侦查监视预警信息主要包括图像情报、信号情报、网络情报、测量特征情报等。战场环境信息主要包括气象信息、地理环境信息、电磁环境信息、核生化辐射信息等。

战场信息的产生越来越丰富，丰富的同时也伴随着数据来源复杂、数据标准不同、信息获取和呈现方式存在差异。这种情况下战场信息的处理显得尤为关键，如何将已获得的战场信息进行转换使其更加直观、更加便于后续处理使用以及战场情况的把握和判断便显得十分重要。

1.2 研究目的及意义

面对日益复杂的丰富信息，我们需要思考如何能更加高效的了解和把握战场情况。这需要我们从已有的初级信息（如文字信息中）提取关键要素并加以表达。本研究主要分析了海战场事件组成的类型以及关键要素，建立了用于时空事件表达的海战场事件模型，依据该模型挖掘事件各要素的关系，并对事件之间的相关关系进行研究分析。

以海战场事件为起点，通过战场情况数据的时空建模和融合研究，提供有效的情况收集、组织、展示，更好地对情况判断数据实施组织和管理。

1.3 国内外研究现状

1.3.1时空数据模型

时空数据模型的研究从20世纪60年代开始,但初期进展缓慢。按照时间在数据模型中所起的作用,时空数据模型的发展阶段可分为3个部分^[2]:

①记录实体时态变化的时期,此阶段HAGERSTRAND T.提出的模型包括时空立方体模型^[3]、ARMSTRONG M PT提出的快照序列模型^[4], LANGRAN G提出的基态修正模型^[5]、LANGRAN G.CHRISMAN N R.提出的时空复合模型^[6]等;

②对象变化(object change)时期,此阶段提出的模型包括WORBOYS M F提出的面向对象的时空数据模型^[7]、尹章才等提出的基于图论的时空数据模型^[8]、PANG Y C提出的面向过程的时空数据模型^[9]等;

③事件与活动(events and action)时期,此时期的模型包括PEUQUET D J. DUAN N提出的基于事件的模型^[10]、GALTON A提出的基于本体的时空数据模型^[11]等。

1.3.2时空事件聚类分析

时空事件聚类分析，在疾病预警与控制、气候变化及犯罪行为分析等领域具有重要的应用价值。自20世纪90年代以来，随着空间数据挖掘技术的兴起，聚类分析在地学领域的应用引起了广泛重视，已成为聚类分析领域最前沿的一个研究方向^[12]。

时空事件聚类分析大致可分为三类

①时空扫描统计： 时空扫描统计旨在探测一定时空范围内的聚集性与随机分布模式，并确定聚集性最可能异常的时空事件集合。在医学上被用于探究传染病的聚集方式以及传染病的早期预警应用等。

②时空密度聚类：时空密度聚类是空间密度聚类在时空尺度上的延续。

③时空混合距离：时空混合距离方法是从地震聚集模式提取中发展的一种特殊方法。其主要思想在于融合时间、空间与震级等属性定义时空事件的混合距离。

1.4 课题研究内容

基于事件概念建立海战场情况表达的形式化模型；

利用建立的模型研究事件内部及事件之间的关系；

计算事件之间的相似度并完成聚类分析。

1.5 技术路线

战场数据

AOG建模

粗级特征

中级特征

细级特征

时空距离、语义距离

粗级权重

中级权重

细级权重

计算事件间相似度

聚类分析

图1 技术路线图

第2章 海战场时空数据建模

2.1.海战场时空数据特性

现代海战中，战场信息关注的焦点是兵力的构成及其分布，兵力活动与作战环境之间的联系。海战场数据的特点是其实体对象意义重大且种类丰富。海战场环境中，空间上包括广阔的海域以及空域，属性上包括地理环境、气象环境、海洋环境等。但在广阔的海战场环境中，决定事件发生的仅为其中的一个个作战单元即我们研究的是宏大的时空域中有限的时空、有限时空内的实体以及时空与实体的关系。

2.2 时空事件的概念及表示

2.2.1事件

事件：一个典型的事件是一个行为序列或者一系列状态的改变事件是指状态的改变或跃迁事件：一个典型的事件是一个行为序列或者一系列状态的改变^[2]

在地理学上对事件的理解是地理对象时空显著变化的一次发生过程。

2.2.2 时空数据模型

时空数据一般包括时间数据、空间数据及属性数据。时空数据模型是时空数据和实体数据的统一体。时空数据模型是一种在时空和语义上对时空实体世界进行抽象模拟的数据模型，GIS(地理信息系统)是时空数据模型最早的研究方向^[13]。

近年来时空数据模型的研究主要聚焦在下述几类：

1）面向对象的时空数据模型：面向对象将实体抽象为时空对象、将时空对象的时间信息、空间信息及自身的属性信息封装在对象结构中。

2）基于图论的时空数据模型：基于图论的时空数据模型能描述空间与时间上不连续变化的时空实体

3）基于事件的时空数据模型：基于事件的时空模型能反映出地理对象变化的发生，可观察到事件发生的因果状态

4）基于本体的时空数据模型：本体是将现实中某个领域抽象成一组概念以及概念之间的联系。

2.3 AOG模型

2.3.1模型简介

利用与或图(And-Or Graph, AOG)来构建模型在不同领域取得了很好的效果。文献^[14]提出一种基于时空AOG模型的人体动作识别方法,文献^[15]提出了一种人类对象交互中可视性推理的AOG模型,文献^[16]提出一种基于AOG图的多尺度模型车辆检测方法,文献^[17]提出用于形状识别的AOG训练模型。

AOG是一种用来把问题归约为后继问题的替换集合的图结构，与或图中定义2种节点--与节点、或节点。

1）or节点代表变化（种类）或选择

2）and节点捕获顶层节点的分解^[15].

2.3.2 AOG模型在本研究中的应用

2.3.2．1 总体结构

本研究中，用AOG模型来表示海战场事件。海战场事件由感知事件、判断事件、观测事件构成，这三类事件由OR节点构成，代表变化（种类）或选择。感知事件、判断事件、观测事件又由实体集及时空域构成。

图2.1海战场事件AOG模型图

2.3.2．2事件内部行为关系

事件内部存在着种种关系，如实体与实体，实体与时空，行为与时空。这些关系都要在构建的AOG模型中表达出来。

在本研究中，采用下属方式表达事件内部存在的关系。

1. 实体与实体间：

图2.2 实体-实体关系图

实体与实体间采用带箭头的虚线 菱形框的表达方式，箭头指向行为接收方，菱形框内标注2个实体之间发生的行为，如接护、袭击等。

2.实体与时空间：

图2.3 实体-时空关系图

实体与时空间采用菱形框 虚线连接的表达方式，无箭头指向，菱形框内表示实体与时空的关系，如存在、起飞等。

3.行为与时空间：

图2.4 行为-实体关系图

实体与实体之间会产生行为，而行为的发生也对应着一定的时空关系，因此行为与时空之间的联系也要表达出来，与实体与时空之间关系的表达方式类似，行为与时空之间也采用菱形框 虚线连接的表达方式，无箭头指向，菱形框内表示实体与时空的关系，如存在等。

第3章 时空事件聚类方法

3.1 聚类概述

随着时代的发展，信息获取与传播方式发生了剧烈的变化，人类被爆炸式的信息包围。然而面对海量信息，我们会发现我们需要的并不是这类混杂的含有大量垃圾信息的数据，我们需要的是隐含在信息中的知识，所以我们需要一些方法和工具进行帮助。数据挖掘技术为人们提供了这方面的支持，聚类技术是数据挖掘预处理步骤，后续的处理和分析都是在聚类结果的基础上进行的，因此对聚类技术的研究十分关键。

聚类是通过对数据对象特征的研究，选取最能反映数据对象本质的特征，根据选取的特征，进行数据对象之间相似性或者相异性的计算来表示亲疏关系，根据相似性或者相异性，按照一定的聚类规则将数据对象划分到不同的类，使得不同类中的个体差异较大而同一类中的个体有较大的相似性。

3.2聚类算法分类

在不同的研究与实践领域、面对不同形式的数据，有多种聚类算法，他们有不同的特性和应用条件。下面是对聚类算法的基本分类。

（1）划分聚类

代表算法： k-means、k-modes、k-medians、kernel k-means

特点：通过迭代重定位来优化特定的目标函数，发现球形簇类

（2）层次聚类

代表算法：Agglomerative 、divisive、BIRCH、ROCK、Chameleon

特点：构建层次聚类树，树的每一层都可表示对数据的一种划分。有自下而上和自上而下两种主要的聚类类型。对噪声比较敏感，容易得到局部最优但无法保证全局最优。

（3）密度聚类

代表算法：DBSCAN、OPTICS、DENCLUE

特点：发现数据集中的各稠密子区。

（4）网格聚类

代表算法：STING、CLIQUE、Wave-Cluster

特点：将数据空间划分为一定量的网格，在网格上对数据进行分类。有较好的可伸缩性，可以用来处理大规模数据集，且可以发现任意形状大小不限的簇，对噪声比较敏感。

（5）模型聚类

代表算法：GMM

特点：构建能反映数据对象分布结构的函数，通过优化数据与模型的适应性，产生聚类结果

（6）图聚类

代表算法：Spectral Clustering（谱聚类）

特点：将聚类问题转化为图的最优划分问题，是一种点对聚类算法。能在任意形状的样本空间上聚类且收敛于全局最优解。

3.3 时空聚类

时空聚类作为聚类分析的一种，与地学研究紧密结合，在时空事件、时空关系态势判断等方面都有应用。此外时空聚类在更多领域发挥着它的作用。在犯罪热点区域研究方面对犯罪分析人员有帮助，通过时空热点聚类分析可以帮助警局有效分配警力；在医疗卫生领域如传染病的预测预警与控制方面也有贡献；在消费模式研究方面，可以使用聚类来审查消费行为，通过时间和空间上的异常值来寻找消费异常。消费异常表明可能存在潜在的可疑活动如欺诈行为。

时空事件聚类分析的一般过程可以描述为^[13]:

1 1)时空数据预处理:对数据进行观察和检查，对重复、错误的时空事件记录进行识别和清理。

2)定义相似性度量准则：定义此次聚类采用的相似性度量准则。

3)聚类分析:根据第二步中定义的选取相似性度量准则，计算事件间的相似度，再通过选取的聚类算法对数据进行聚类。

4)聚类结果评价:依据一定的评价准则，对聚类结果进行判断分析。

3.4 AP聚类

3.4.1 AP聚类简介

Science杂志在2007年发布的一篇探究点数据之间通过信息传递进行聚类的论文中使用的一种新的聚类算法Affinity Propagation（AP） ，中文翻译为仿射传播聚类或亲和力传播聚类。仿射传播聚类由多伦多大学的Brendan J.Frey和Delbert Dueck首先提出。

在过去，如经典的K中心聚类算法中，聚类中心需要事先随机选取，然后进行迭代，但往往需要初始化许多次才能找到最合适的聚类中心，只有最初的选择最接近最优中心时，聚类效果才好。而AP聚类不需要在开始的时候选取聚类中心，所有的数据点都是潜在的聚类中心。

将数据点对之间的相似度带入AP算法，AP会通过数据点之间的信息传递找出最合适的聚类中心，并将其他数据点划分到这些聚类中心下。AP在非标准优化标准的基础上进行操作的能力使得它适合于使用异常的相似性度量方法进行探查数据分析。AP可以应用于数据不位于连续空间的问题。事实上, 它可以适用于那些相似性不对称的问题 [即, s (i、k) ≠ s (k, i)] 以及相似性不满足三角形不等式的问题 [即 s (i、k) lt; s (i、j) s (j、k)]。

在论文中，作者对北美的航班信息进行聚类分析，使用两个城市之间航班的飞行时间作为相似度，且由于逆风等因素的存在，两个城市之间相互的相似度是不对称的。从聚类结果可以看出AP算法找出的聚类中心大部分都是航空枢纽城市如西雅图、 多伦多、费城等。有趣的是, 一些主要城市没有被选中, 要么是因为国际旅行的繁重使得它们不适合方便地进入国内目的地 (例如纽约市、洛杉矶), 或者因为他们的社区可以更通过其他目的地 (如亚特兰大、费城和明尼阿波利斯) 有效地访问芝加哥的目的地, 同时避免可能出现的机场延误。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：