直觉模糊聚类在数据关联算法中的应用

"基于直觉模糊聚类的数据关联算法 (2011年)"，作者贺正洪、雷英杰、雷蕾，发表于《计算机应用》2011年第31卷第3期，主要探讨了在多传感器观测数据存在不确定性时如何利用直觉模糊聚类方法进行数据关联。 在多传感器系统中，观测数据通常存在一定的不确定性，这给数据融合和处理带来了挑战。传统的数据关联方法可能无法有效处理这些模糊和不精确的信息。论文提出了一个基于直觉模糊聚类的新算法，旨在解决这个问题。直觉模糊集是模糊集理论的一个扩展，它不仅包含了模糊集的不确定性，还引入了非成员度的概念，从而更全面地描述了数据的不确定性。 论文中的核心算法是改进的直觉模糊C-均值聚类(IFCM)算法。这个算法首先对观测数据和预测数据进行直觉模糊化处理，即将原始数据转化为直觉模糊集的形式，以便更好地处理不确定性。接着，通过计算不同直觉模糊集间的加权距离来确定观测数据与航迹之间的隶属度。这个加权距离考虑了数据的模糊性和不确定性，使得计算出的隶属度更能反映实际的情况。最后，通过寻找最大隶属度，实现观测数据与航迹的有效关联。 仿真实验结果证明，即使在存在模糊观测数据的情况下，该算法也能有效地进行数据关联，表现出良好的性能。实验结果增强了算法在实际多传感器环境中的应用潜力，尤其是在军事和航空航天领域，如导弹追踪和目标识别等场景，能够提高系统的精度和鲁棒性。 关键词涉及了数据融合、数据关联、直觉模糊集合、模糊C-均值聚类以及直觉模糊聚类，这些都是该研究领域的重要概念和技术。数据融合是指将多个传感器获取的不完全或有冲突的信息整合，以提高决策的准确性；数据关联则是在多目标跟踪中，确定每个观测数据对应的目标的过程；直觉模糊集合是对传统模糊集合的扩展，能更好地处理不确定性和矛盾信息；模糊C-均值聚类是模糊集理论在数据聚类中的应用，而直觉模糊聚类则是进一步考虑到非成员度的聚类方法。 这篇论文提出了一种创新的方法，利用直觉模糊聚类来处理多传感器观测数据的不确定性，提高了数据关联的准确性和适应性。这一方法对于处理复杂环境下的数据处理问题具有重要的理论和实践意义。