(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210803363.3 (22)申请日 2022.07.09 (71)申请人 哈尔滨工程大 学 地址 150001 黑龙江省哈尔滨市南岗区南 通大街145 -1号 (72)发明人 不公告发明人 　 (74)专利代理 机构 北京创智合源知识产权代理 事务所(普通 合伙) 16092 专利代理师 马金华 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/82(2022.01) G06V 10/762(2022.01) G06V 10/30(2022.01) (54)发明名称 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 (57)摘要 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。 权利要求书3页 说明书6页 附图3页 CN 115131577 A 2022.09.30 CN 115131577 A 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kw， w＝1,…,a， a是目标数据 点个数， 构成数据集： K＝{k1,k2,…,kw}； kw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(kw)|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 kw在特征空间中的像到点 n的距离： ow≥0,ωw≥0为拉格朗日乘子， ‖ ·‖为欧几里得范数， X(kv,kw)＝exp(‑2d‖kv‑kw‖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mi nR2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： αw≥0为球半径 松弛变量； (4.5)引入拉格朗日函数： P∑ωw为惩罚项， P为设定的集群划分的超参数；权　利　要　求　书 1/3 页 2 CN 115131577 A 2(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、 kw求导并使导数为 零得到： ∑ow＝1； kw＝P‑ωw； 根据强对偶和K KT条件得到： owωw＝0； (2E2+αw‑2||Θ(kw)‑n||2)ow＝0； (4.8)对数据集K中数据点进行判定： 若ow>0,ωw＝P， 数据点 位于超球 体外部， 为异常数据点； 若ow＝0,0<ωw<P， 数据点 位于超球 体表面， 为支持向量； 若ow＝0,ωw＝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＝(Nvw)a×a： 式中： seg(kv,kw)是任意点kv和kw之间的连接线； 在seg(kv,kw)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(kv,kw)全部位于超球体内部时， kv和kw属于同一集群， 数据集群 的轮廓边界由支持向量 来表示。 3.根据权利要求2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(5)中去除异常数据点， 然后确定各类别集群的聚类中心包括： 确认集群中 数据点是异常数据点， 将其舍去； 确认集群中数据点为边缘点和内部点， 求其均值， 作为该 类别的聚类中心。 所述的神经网络由三层构成： 第一层为输入层， 接收输入数据； 第二层为隐含层， 对输 入数据进 行非线性转化， 转化时使用的函数称为径向基函数； 第三层为输出层， 将隐含层处 理完的数据进行输出。 4.根据权利要求3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， 所述的神经网络参数包括： (6.1)确认第i个基函数中心的宽度 ζi,第i个类中心到其他类中心距离的最小值qi和重 叠系数 ψ； (6.2)求径向基函数的宽度为： ζi＝ ψqi； (6.3)求径向基函数： 权　利　要　求　书 2/3 页 3 CN 115131577 A 3