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OPTICS算法在调制识别中的应用

提出了一种基于星座聚类的调制识别新方法。该算法利用改进的OPTICS算法能准确发现数据集分布的特性,不仅克服了模糊C-均值聚类算法对初始聚类中心、样本输入次序敏感等不足,而且能够同时发现不同密度的聚类,结合聚类有效性分析实现了聚类中心目的自适应调整,同基于DBSCAN的聚类算法相比,降低了时间复杂度。将该算法用于对MPSK/MAPSK信号星座重构和识别,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.     

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。     

一种多径信道中的调制识别算法

提出了一种新的多径信道中的MPSK／MQAM（M-ary phase shift keying／M-ary quadrature amplitude modulation）调制识别算法。首先进行基于噪声子空间的信道盲辨识和盲均衡，克服信道带来的影响，然后利用一种新的多级抽取聚类算法，先区分MPSK和MQAM两类调制方式，再提取信号的星座点数作为最终的识别结果。与已有算法相比，该算法结构简单，所需数据量少，适用范围广。仿真结果证实了算法的有效性。     

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。     

一种基于小波变换的MQAM信号调制识别方法

MQAM调制样式识别是非合作通信研究的重要内容之一。通过分析MQAM信号在小波域具备的特征,提出了一种基于小波变换的MQAM信号识别算法,该算法不需要预先知道载频、波特率等参数,步骤简单,可在低信噪比情况下实现对MQAM信号的分类。     

基于遗传算法的自适应文本模糊聚类研究

针对FCM聚类算法时初始聚类中心的选择敏感,以及聚类数C难以确定的问题,提出一种基于遗传算法的自适应文本模糊聚类方法.该方法首先将文档集合表示成向量空间模型,并采用一种新型的可变长染色体编码方案,随机选择文本向量作为初始聚类中心形成染色体,然后结合FCM算法的高效性和遗传算法的全局优化能力,通过遗传进化,有效地避免了局部最优解的出现,同时得到了优化的聚类数目和聚类结果.实验表明该算法是一种精确高效的文本聚类方法.     

基于遗传算法的K均值聚类分析

传统K均值算法对初始聚类中心敏感,聚类结果随不同的初始输入而波动,容易陷入局部最优值。针对上述问题,该文提出一种基于遗传算法的K均值聚类算法,将K均值算法的局部寻优能力与遗传算法的全局寻优能力相结合,在自适应交叉概率和变异概率的遗传算法中引入K均值操作,以克服传统K均值算法的局部性和对初始中心的敏感性,实验证明,该算法有较好的全局收敛性,聚类效果更好。     

基于角点特征和自适应核聚类算法的目标识别

提出了基于角点特征和自适应核聚类的目标识别方法,将有效性函数引入核聚类算法中,提出了一种可动态估计聚类数目的自适应核聚类算法。该方法用于飞机识别中,通过对飞机角点特征的自适应核聚类,完成定位识别。实验结果表明,该方法是有效的。     

基于模糊C均值聚类的一种说话人识别方法的改进

模式匹配在整个说话人识别系统中具有重要的作用,其采取的方法将直接影响系统的识别率.本文介绍了一种模糊矢量量化(FVQ)方法,通过对模糊C均值(FCM)聚类算法的分析,提出了基于减法聚类和改进的模糊C均值聚类算法相结合的说话人识别方法,实验表明该方法提高了识别率,是一种行之有效的说话人识别方法.     

基于遗传算法的运动物体实时识别

文章提出了一种应用遗传算法对一个已知几何模型的运动目标物体的位置与方向进行识别的方法,这种对运动目标的识别可以用于机器人手臂实时视觉伺服控制中。文章以一个三角形的物体为目标,对所提出的方法进行了仿真试验,结果证实了这种识别方法的有效性。     

基于遗传算法与FCSS相结合的模糊球壳聚类算法

模糊球壳聚类(FCSS)算法广泛地应用于模式识别与机器学习等领域。由于其采用基于梯度法和交替寻优策略,对初始化比较敏感,容易陷入局部极值点,从而影响聚类效果。将现代全局优化方法之一的遗传算法(GA)与FCSS算法相结合,得到一种新的球壳聚类算法GA-FCSS。数值实验表明:新方法对球壳形数据有令人满意的聚类效果。     

一种基于混合遗传算法的聚类方法

针对遗传算法在聚类时存在的搜索速度慢和早熟的问题,将禁忌搜索的自适应优点引入遗传操作来改良其全局搜索性能,并采用带有权重的相似性度量方法,提出了一种基于混合遗传算法的聚类算法.通过与常用的聚类方法的实验结果比较,表明这种方法具有良好的聚类效果.     

基于动态聚类分析的雷达载频模式识别

对雷达信号的载频模式进行识别的传统方法一般都是基于统计法的,但是往往识别效果并不理想。聚类分析方法是一种经典的模式识别方法,它原理简单,计算方便,可为雷达载频模式识别提供一种新的分析思路。通过对雷达信号的载频序列进行聚类分析,并根据聚类结果来对雷达信号载频模式进行识别,仿真实验验证了算法的有效性。最后在此基础上,使用动态聚类分析方法替换原来的聚类分析法,取得了更好的识别效果。     

Structural pattern recognition using genetic algorithms

This paper presents a genetic algorithm (GA) based optimization procedure for the solution of structural pattern recognition problem using the attributed relational graph representation and matching technique. In this study, candidate solutions are represented by integer strings and the population is randomly initialized. The GA is employed to generate a monomorphic mapping. As all the mapping constraints are not enforced during the search phase in order to speedup the search, an efficient pose clustering algorithm is used to eliminate spurious matches and to determine the presence of the model in the scene. The performance of the proposed approach to pattern recognition by subgraph isomorphism is demonstrated using line patterns and silhouette images.     

基于蚁群聚类算法的动脉硬化无创检测

动脉硬化无创检测对于预防心血管事件具有重要意义。然而,基于心电信号或脉搏波信号的单一特征源的无创动脉硬化检测无法全面反映心血管动脉硬化事件。为了提高动脉硬化无创检测识别精度,提出了基于心电信号、脉搏波信号的多源数据无创动脉硬化识别方法,构建了具有变异特性的蚁群聚类算法,对提取的40组临床心电、脉搏波信号的特征值向量进行监督分类。通过对系统测试结果与专家分类结果对比分析,表明该方法提高了单一特征源的动脉硬化识别率,是一种有效的动脉硬化无创识别方法。