一种改进的FSK信号调制分类方法

针对MFSK通信信号的分类问题进行了改进和分析。首先选取接收机输出的MFSK信号的时频脊线作为分类特征,然后针对无监督聚类算法中FCM算法对初始值敏感,易收敛至局部最优解的缺陷,提出了一种基于核的模糊C均值聚类算法来求取最佳聚类数M,提高了聚类精度。计算机仿真结果证实了所提方法的有效性和正确性。     

多进制频移键控信号的调制分类方法

分析和改进了对MFSK信号调制分类算法。考虑到实际系统中脉冲成形的影响，对信号进行了恒包络预处理；选取抗噪能力强的Haar小波提取信号特征；针对无监督聚类算法中FCM算法对初始值敏感，易收敛至局部最优解的缺点，提出了减法聚类和FCM算法相结合的算法求得最佳聚类数；不仅能够保证获得全局最优解，还大大提高了FCM的收敛速率。     

基于AP聚类的数字信号调制体制识别方法

针对高斯噪声信道下MASK、MFSK和MPSK信号的类间识别问题,提出了一种基于短时傅里叶变换（Short Time Fourier Transform,STFT）和仿射传播聚类（Affinity Propagation Clustering,AP）相结合的信号类间识别方法。通过对在高斯信道下3类信号时域和频域特征的联合分析,提取出信号的时频特征。通过仿射传播聚类算法对信号进行聚类,通过信息迭代更新,可以快速、自动地找到聚类中心和聚类数目。仿真结果表明,在信噪比（SNR）较低的情况下仍能达到很好的分类效果。     

FCM型聚类算法的统一框架及其核推广

模糊C-均值(FCM)聚类模型是数据模式识别的一类重要工具。在FCM的基础上,结合了数据的类间离散度信息和空间约束信息,提出了FCM型算法的统一框架--Unified FCM,简称UFCM。针对UFCM算法难以处理非线性分类的问题,运用核技巧,得到核空间的UFCM算法--KUFCM。提出使用最短路作为数据点间的距离度量,提高了算法的聚类精度。实验表明,相对于FCM及其改进算法,KUFCM不仅提高了聚类算法的分类精度,而且改善了FCM型算法对噪声数据的稳健性。     

核空间自适应非局部均值鲁棒分割算法

为改善传统模糊C均值(FCM)算 法对噪声干扰下图像的分割效果,提出了一种基于核空间邻域信息和自适应非局部均值相结 合的图像鲁棒分割算法。首先,利用传统FCM聚类算法进行初始聚类分割,将 所得聚类中心作为改进算法的初始聚类中心; 其次通过自适应非局部均值算法对图像进行平滑处理,避免图像过度分割;然后对引入核空 间邻域信息的目标函数进行最优化求解, 获取聚类中心和隶属度的迭代表达式;最后对像素进行分类时,利用邻域像素隶属度对像素 进行进一步滤波处理。实验结果表明:本文的 改进算法与传统FCM聚类算法、核空间FCM(KFCM)算法、基于邻域信息的FCM(FCM S)算法和基 于邻域信息KFCM(KFCM-S)算法相比,改进算法对强噪声干扰下的图像具有较好 的鲁棒性,并且能够有效分割图像的目标信 息和背景信息。从几种算法进行聚类分割结果所对应的峰值信噪比(PSNR)也可以看出,本文 改进算法的PSNR更高。     

改进的KFCM算法及其在感兴趣区域提取中的应用

基于核函数的FCM算法(KFCM)是一种常用的聚类算法,它需要人为地确定分类数,对噪声比较敏感。针对感兴趣区域提取问题,提出一种改进的KFCM算法,该算法先用k'-means算法估计分类数,再用KFCM算法进行聚类,改进隶属度函数,使新算法的隶属度为其邻域隶属度的平均值,提高了算法的抗噪能力。将新算法应用到感兴趣区域提取中,实验结果表明,新算法不需要人为地确定分类数,并且相比传统的FCM算法和KFCM算法能更有效地抑制噪声。     

基于直觉模糊c均值聚类核匹配追踪的弹道中段目标识别方法

针对核匹配追踪算法(KMP, kernel matching pursuit)进行全局最优搜索导致学习时间过长这一缺陷,汲取直觉模糊c均值聚类(IFCM, intuitionistic fuzzy c-means)算法的动态聚类特性优势,提出一种基于直觉模糊c均值聚类的核匹配追踪(IFCM-KMP, intuitionistic fuzzy c-means kernel matching pursuit)算法,且对UCI库中4组实际样本数据进行了分类实验及有效性测试.最后,选取高分辨距离像(HRRP)这一弹道中段目标识别常用的特征属性,对其进行特征提取获得子像,并分别采用FCM,KMP,IFCM-KMP 3种算法对真弹头进行目标识别仿真实验及结果对比分析,充分表明了IFCM-KMP算法用于弹道中段目标识别较之FCM、KMP的优越性及有效性.     

一种多进制频移键控信号的调制与解调

讨论了一种多进制频移键控(MFSK)信号调制分类及解调的方法,选取截获接收机输出的MFSK信号的时频曲线作为分类特征;利用无监督聚类算法求取最佳聚类数M,利用时频曲线的变换估计码元宽度;利用对应最佳聚类数的聚类中心确定取判门限,通过对时频曲线抽判判决,实现了MFSK信号的解调。理论分析证明了此算法的可行性。     

利用局部密度与距离特征的MFSK识别方法

针对不能在没有先验信息的条件下对任意调制指数的MFSK信号进行调制识别的问题,提出了一种新的利用聚类特征的MFSK信号调制识别方法。该方法利用AR模型的极点提取信号的短时频率峰值;应用改进的聚类算法对峰值序列进行聚类处理;根据不同阶数FSK信号不同聚类中心特征参数的不同,利用支持向量机进行分类,完成了2FSK、4FSK、8FSK和16FSK的调制识别。该算法无需任何先验知识,适用于不同调制指数下的FSK信号,仿真实验验证了算法的有效性和正确性。      

可能性模糊C-均值聚类新算法

模糊C-均值聚类(FCM)对噪声数据敏感和可能性C-均值聚类(PCM)对初始类中心非常敏感易导致一致性聚类.可能性模糊C-均值聚类(PFCM)综合了FCM和PCM算法并且克服了这些缺点.但是PFCM必须先运行FCM来计算参数.提出一种新的PCM算法,新的PCM算法利用协方差矩阵来计算参数衡量了数据集的紧凑程度且无须先运行FCM,在新的PCM和FCM基础上提出了新PFCM算法,该算法无须事先运行FCM以计算参数,减少了算法运算时间.对数据集的测试实验结果表明了提出的新算法能同时产生模糊隶属度和典型值,减少聚类时间,同时具有更好的分类准确率.