1.一种改进模糊C均值算法的自主船舶航行场景聚类方法,其特征在于,包括如下步骤,
步骤S1、建立自主船舶航行场景聚类模型,以船舶属性、环境属性、管控属性中的动态因素构建坐标轴,各种属性的参数值构成坐标系;
步骤S2、根据坐标系将在航行中发生变化的参数构成坐标系中的元素,从而获取场景库;
步骤S3、在场景库中,选取坐标系中的不同属性的参数值进行随机组合,从而枚举所有自主船舶航行过程中遇到的场景;在船舶航行场景的数据库中,通过提取各场景下的特征点,对特征点进行聚类分析,从而对自主船舶所对应的场景进行聚类分析;
步骤S4、融合基于距离评价的模糊C均值算法构建自主船舶航行场景聚类模型;
步骤S5、通过MATLAB实现对自主船舶航行场景的聚类。
2.根据权利要求1所述的一种改进模糊C均值算法的自主船舶航行场景聚类方法,其特征在于,所述步骤S1中,所述坐标系的动态因素包括船舶在航行过程中的风浪流、航道宽度、富余水深和船舶的运行状态,所述船舶的运行状态包括航速、航向以及交通环境中的交通密度、它船干扰。
3.根据权利要求1所述的一种改进模糊C均值算法的自主船舶航行场景聚类方法,其特征在于,所述步骤S1中,所述自主船舶航行场景包括自主船舶在航行过程当中,船舶的运行状态以及航行环境中的自主船舶航行场景。
4.根据权利要求1所述的一种改进模糊C均值算法的自主船舶航行场景聚类方法,其特征在于,所述步骤S3中,自主船舶航行场景聚类分析为在自主船舶航行场景数据库中,通过记录各场景下的航道、环境、交通条件信息以及自主船舶的运行状态信息,提取不同场景下的特征点,对特征点进行聚类分析,以便对自主船舶所对应的航行场景进行聚类分析。
5.根据权利要求1所述的一种改进模糊C均值算法的自主船舶航行场景聚类方法,其特征在于,所述步骤S4具体为,
步骤S41、数据集标准化,隶属度矩阵U初始化,并使其满足的约束条件;
步骤S42、给出迭代标准ε>0,聚类数c=2,将传统模糊C均值算法的最大迭代次数设置为1后,利用最大最小距离算法进行初始化聚类,进而得到初始划分结果;
步骤S43、根据 和总体样本的中心向量对聚类中心和隶属度进行更新,计算的价值函数;
(k+1) (k) (k+1) (k)步骤S44、用一个矩阵范数||·||比较V 与V ,若||V ‑V ||≤ε,则停止迭代,否则置k=k+1,转向③;
步骤S45、计算L(c),在c>2并且c<n的情况下,若L(c‑1)>L(c‑2)并且L(c‑1)>L(c),则聚类过程结束,否则,置c=c+1,转向步骤S43。
6.根据权利要求1所述的一种改进模糊C均值算法的自主船舶航行场景聚类方法,其特征在于,所述步骤S5中将场景属性数据集导入,在matlab软件运行改进的模糊C均值算法代码,运行结束获取场景属性数据集的最佳聚类数;通过样本隶属度矩阵图和目标函数变化值验证算法。