基于遗传算法的自适应聚类与MQAM星座识别

提出了一种基于星座聚类的MQAM调制识别新方法，运用一种改进的基于遗传算法的自适应聚类算法对MQAM星座进行重构和识别。该自适应聚类算法利用遗传算法的高效全局搜索特性，克服了模糊C-均值算法对初始聚类中心和样本输入次序敏感等不足，结合聚类有效性分析实现了聚类中心数目的自适应调整。仿真结果表明，基于该聚类算法的MQAM信号调制阶数识别方法是有效的。     

一种基于遗传算法的聚类方法及其应用

文中提出了一种基于遗传算法的自适应聚类新算法,该算法以聚类中心坐标为遗传算法种群的个体,采用改进的遗传算子和群体更新规则,利用遗传算法的高效全局搜索特性实现聚类,不仅克服了模糊C-均值算法对初始聚类中心和样本输入次序敏感等不足,而且在结合聚类有效性分析的基础上实现了聚类中心数目的自适应调整.通过以该自适应聚类算法对MQAM信号星座进行重构,提出了一种基于星座聚类的MQAM调制识别新方法.仿真表明,文中提出的聚类算法运算效率较高,结果令人满意;基于该聚类算法的MQAM信号识别方法是实际有效的.     

改进的DBSCAN算法在调制识别中的应用

提出了一种基于星座聚类的通信信号调制识别新方法。将基于密度思想的M-DBSCAN聚类算法运用于信号星座聚类,通过自适应更新聚类参数,利用其良好的抗噪声性能实现了较低信噪比高斯白噪环境下信号星座图的重构。将该方法应用到对PSK/QAM信号的调制识别,实验结果表明该方法是实际有效的。     

基于高效自适应聚类算法的调制识别研究

提出了一种基于星座聚类的通信信号调制识别新方法.该方法将星座图形状作为调制识别的特征,运用聚类算法EAFCM(efficient adaptive fuzzy C-means)重建接受信号的星座图.基于模糊C-均值(FCM)聚类算法的自适应高效聚类算法EAFCM不仅克服了模糊C-均值聚类算法需要预先确定聚类参数c、对初始中心敏感等不足,而且具有良好的抗噪声性能.将该方法应用到对PSK/QAM信号的调制识别,实验结果表明该方法是实际有效的.     

一种遗传模糊聚类算法及其应用

研究一种基于遗传算法的模糊聚类方法,即将遗传算法得到的聚类中心作为模糊C-均值（FCM）聚类算法初值,这样既可以克服FCM算法对初始中心敏感的缺点,也可以解决遗传算法只能找到近似解的问题。将算法用于通信信号的星座聚类,根据聚类有效性函数自适应地确定聚类中心,并完成信号类型的识别。仿真实验证明,当存在较小的定时误差时,算法对PSK和QAM信号仍然是有效的。     

自动确定聚类中心的密度峰聚类

密度峰聚类是一种新的基于密度的聚类算法,该算法不需要预先指定聚类数目,能够发现非球形簇。针对密度峰聚类算法需要人工确定聚类中心的缺陷,提出了一种自动确定聚类中心的密度峰聚类算法。首先,计算每个数据点的局部密度和该点到具有更高密度数据点的最短距离;其次,根据排序图自动确定聚类中心;最后,将剩下的每个数据点分配到比其密度更高且距其最近的数据点所属的类别,并根据边界密度识别噪声点,得到聚类结果。将新算法与原密度峰算法进行对比,在人工数据集和UCI数据集上的实验表明,新算法不仅能够自动确定聚类中心,而且具有更高的准确率。     

一种融合了异常数据识别的CMM改进算法

针对聚类过程中有意义的异常数据难以识别的问题,在改进CMM算法的基础上,提出了一种融合了异常数据识别的层次聚类算法。采用CMM方法提出的原子簇思想,通过重新定义簇中心、噪声判断标准以及改进循环机制等手段提高聚类准确性及算法效率。提出了异常数据的概念和定义,并将其识别算法引入聚类过程过程。基于仿真及实际数据的实验结果证明,该算法能够根据设定参数准确识别异常数据,同时其聚类准确性及性能针对CMM算法也有了相应提高。     

基于减法聚类与改进的模糊C-均值聚类算法的说话人识别方法的研究

提出一种将减法聚类与改进的模糊C-均值聚类相结合并用于说话人识别的方法．该方法将从语 音信号中提取的Mel 频率倒谱系数及其差分作为特征参数;用减法聚类算法初始化聚类中心,再用改进的模 糊C-均值聚类算法进行修正,形成码本．识别时,对每一个待识别语音进行模糊聚类识别．仿真结果表明,该 方法比改进的模糊C-均值聚类算法识别率高,具有较好的鲁棒性,且计算比较简单．     

一种改进的聚类算法及其在说话人识别上的应用

目前应用最广泛的模糊聚类算法是基于目标函数的模糊k-均值算法．针对该算法存在的缺点。本文提出一种改进的聚类算法．利用遗传算法的全局优化的特点，在能够在正确获得未知对象的聚类中心数目的同时．克服模糊k-均值算法对初始中心点影响的缺陷。将该聚类算法用于确定EBF(椭圆基函数)网络的隐层节点和中心值等参数，在不依赖文本的话者确认实验中．获得了较好的识别效果。     

基于差分星座轨迹图的LoRa设备识别方法

LoRa作为一种扩频远距离无线传输技术,广泛应用于物联网领域,其终端设备的安全问题也随之成为热点研究对象.针对LoRa的调制原理及信号特性,文章提出一种基于差分星座轨迹图的LoRa设备识别方法,将终端设备认证问题转化为图像处理问题.该方法将接收信号的星座轨迹图进行差分处理,并基于聚类算法获得差分星座轨迹图的聚类中心,作...     

基于K-means算法改进的SOM神经网络调制识别分类器

通信过程中,获得情报信息的关键步骤是清楚接收到的调制信号的调制方式.随着现代通信技术的高速发展,人工智能广泛应用于调制方式识别领域.提出将自组织特征映射(Self-Organizing feature Map,简称SOM网络)神经网络用于调制制式的识别.用K均值(K-means)聚类算法来寻找每类特征参数的两个聚类中心...     

基于区间数的不确定性数据聚类算法:UD-OPTICS

在不确定性数据聚类算法的研究中,普遍需要假设不确定性数据服从某种分布,继而获得表示不确定性数据的概率密度函数或概率分布函数,然而这种假设很难保证与实际应用系统中的不确定性数据分布一致。现有的基于密度的算法对初始参数敏感,在对密度不均匀的不确定性数据聚类时,无法发现任意密度的类簇。鉴于这些不足,提出基于区间数的不确定性数据对象排序识别聚类结构算法(UD-OPTICS)。该算法利用区间数理论,结合不确定性数据的相关统计信息来更加合理地表示不确定性数据,提出了低计算复杂度的区间核心距离与区间可达距离的概念与计算方法,将其用于度量不确定性数据间的相似度,拓展类簇与对象排序识别聚类结构。该算法可很好地发现任意密度的类簇。实验结果表明,UD-OPTICS算法具有较高的聚类精度和较低的复杂度。     

基于星座图匹配的OFDM子信道调制识别改进算法

文章针对OFDM信号侦察系统中已有的子信道调制识别方法难以满足实时性要求的问题,提出了一种基于星座图匹配的子信道调制识别改进算法,该方法采用标准信号星座图的幅度和相位分布构建识别函数,消除了抽取聚类法的调制阶数估计误差,提高了识别的正确率。通过理论分析和仿真试验,验证了该改进方法的有效性和可行性。     

改进的MKM算法及其在语音识别中的应用

提出了一种用于矢量量化的改进的聚类算法,该算法在MKM(Modified K-Means)算法的框架的基础上,对初始码本的生成、失真测度的选择、非典型胞腔的处理等方面进行了改进,从而减少了原算法在能量和增益上对聚类结果的影响。并将该算法应用于波形编辑孤立字识别器,这种识别器直接对语音样本的时域波形进行训练和聚类,不需要提取语音参数,算法复杂度较低,加上提出的聚类算法失真测度简单易实现,对芯片的运算能力要求不高,非常适用于有低成本要求的语音识别器场合。通过中文元音字识别的实验证明,在相同码本尺寸下,运用改进后的聚类算法的识别器的识别率有所提高。     

一种基于网格方法的高维数据流子空间聚类算法

基于对网格聚类方法的分析，结合由底向上的网格方法和自顶向下的网格方法，设计了一个能在线处理高维数据流的子空间聚类算法。通过利用由底向上网格方法对数据的压缩能力和自顶向下网格方法处理高维数据的能力，算法能基于对数据流的一次扫描，快速识别数据中位于不同子空间内的簇。理论分析以及在多个数据集上的实验表明算法具有较高的计算精度与计算效率。     

一种基于密度的面向线段的聚类算法

分析了密度聚类算法（DBSCAN）的局限性，在此基础上提出了一种基于密度的面向线段的聚类方法，将DBSCAN中聚类的对象由点转变为线段。在对点聚类的基础上，研究了线段聚类的特点。该算法可以有效处理分布不均匀的线段对象集，发现分布密度不同的各种簇。通过试验证明了该方法的可行性与有效性。     

基于多重特征的双层Web用户聚类方法

通过对Web日志的聚类分析,可以发现用户的群体特征,甚至可以预测用户将来的访问模式,进而为不同的用户群提供个性化服务。针对现有方法的一般缺陷,包括特征选择单一无法充分体现用户兴趣偏好和传统Hierarchical算法在用户聚类时存在的收敛效率低、易受用户访问多样性影响的问题,提出了基于多重特征的双层用户聚类方法。该方法采用多重特征对用户相似性进行度量,并在此基础上进行双层聚类。首先采用基于密度的DBSCAN算法来排除用户会话中的离群对象和发现不规则簇,然后再采用自底向上的Hierarchical方法对第一层的聚类结果进行聚类。实验结果表明,本文方法具有良好的稳定性和聚类效果。     

一种面向GIS空间数据的聚类方法

一个好的聚类算法应该是用户输入参数少,对噪声不敏感,能够发现任意形状,可以处理高维数据,具有可解释性和可扩展性.将聚类分析应用于地理信息系统中,可以实现对GIS数据信息概括和综合.文中提出一种基于距离阈值相邻的聚类算法,通过距离阈值可达的方式逐个将对象加入到已知聚类中,可以发现任意形状的聚类并对噪声数据有很好的分离效果,实验中将该算法应用于地理信息系统中的数据挖掘实现上,结果证明此算法对于实现GIS聚类具有满意的效果.