《表1 聚类算法步骤:基于核主成分分析的空域复杂度无监督评估》
通过KPCA提取出m个主成分后,若直接采用传统聚类算法处理扇区复杂度样本,则会忽略掉实际空管中不同扇区对于复杂度等级划分的差异性要求。因此,我们在聚类算法中设计了多种可调参数,能够根据所评估扇区运行特点实现按需配置。参数包括复杂度等级数量、各复杂度等级样本比例,以及初始簇中心。其中,初始簇中心为聚类算法提供不同复杂度等级簇所处样本空间位置的指导信息。基于文献[15]中附录A可知,“航空器数量”“航空器密度”这两个因素与复杂度有着强烈的正向关联,且“航空器数量”也是当前空管系统中唯一的被实际用于衡量扇区复杂度的指标。因此,我们提出参照“航空器数量”与“航空器密度”两个因素来设置初始簇中心参数。该参数设置方法为,首先对原始样本进行排序,排序标准为“航空器数量”从低到高,对于“航空器数量”因素取值相同的样本,按“航空器密度”从低到高排序;接着按照设置的复杂度等级数量、各复杂度等级样本比例参数,基于排序后样本初步划分样本的复杂度等级;然后将该样本集整体映射到高维核空间后,求解每一复杂度等级样本簇对应m个主成分的均值,作为初始簇中心。聚类算法步骤如表1所示。
图表编号 | XD0065039800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.25 |
作者 | 张瞩熹、朱熙、朱少川、张明远、杜文博 |
绘制单位 | 北京航空航天大学综合交通大数据应用技术国家工程实验室、北京航空航天大学综合交通大数据应用技术国家工程实验室、北京航空航天大学前沿科学技术创新研究院、北京航空航天大学综合交通大数据应用技术国家工程实验室、北京航空航天大学交通科学与工程学院、北京航空航天大学综合交通大数据应用技术国家工程实验室、北京航空航天大学电子信息工程学院、北京航空航天大学综合交通大数据应用技术国家工程实验室、北京航空航天大学电子信息工程学院 |
更多格式 | 高清、无水印(增值服务) |