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。      

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。     

一种基于多频带能量算子的FSK信号分类新方法

本文对MFSK通信信号的分类问题进行了研究.针对信号的特征提取问题,提出了一种稳健的基于多频带能量算子的方法.首先利用小波多频带滤波器组对MFSK信号进行预处理,以减弱噪声对信号的影响,然后对其中的最大频带输出值应用能量算子来提取分类特征;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,提出了一种基于核的模糊C均值聚类(FKCM)算法来设计分类器,它通过Mercer核把输入数据非线性映射到高维空间,使得在输入空间中线性不可分的样本可分,大大提高了FCM算法的聚类性能.通过计算机仿真可知:多频带能量算子的特征提取方法可以有效地抑制噪声的影响,而FKCM可以更好地进行聚类,其识别精度更高.     

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。     

基于小波变换的MFSK/MQAM信号类内识别法

提出了一种基于小波变换的FSK/MQAM信号类内调制方式识别的改进算法,该方法通过深入分析MFSK和MQAM信号在小波域的不同特征,充分利用小波变换模值的奇异性信息,通过对该信息的有效检测,实现MFSK信号类内识别,并将其推广应用到16QAM和64QAM的分类。对该方法的适应性进行了理论分析和计算机仿真,结果表明,新算法大大提高了MFSK/MQAM信号的识别正确率,并有效降低了识别的信噪比门限。     

基于循环谱相关方法的MFSK信号识别

由于通信信号调制样式复杂多样,如何有效地识别通信信号调制类型是一个十分重要的课题。传统的信号处理都是假设所要处理的信号为随机平稳信号,但是在实际应用中,通信信号具有循环平稳性,是一种特殊的非平稳信号。首先介绍了循环平稳信号的特性循环谱相关概念,推导出MFSK信号的循环谱相关函数,分析了MFSK信号特征谱规律和可用于类内识别的特征参数,设计出MFSK信号的类内识别算法,仿真实验表明该算法能有效区分MFSK信号,并且在低信噪比下识别效果良好。     

基于自适应模糊C-均值算法信号调制的识别

提出一种在加性白噪声错误的情况下的关于MFSK、MPSK和MASK调制识别算法。所述的这种分类技术使用瞬间频率、相位或幅度作为识别特征,利用模糊C-mean聚类算法中的有效性指标动态地调整聚类数目,实现对瞬时频率、相位或幅度的正确归类。仿真结果验证了此算法的可行性。     

基于聚类算法实现信号盲分类

本文解决了信号处理、工业控制等领域存在的非平稳信号盲分类问题。在聚类中广泛应用的K-Means算法及其它基于中心的聚类算法有两个共同的缺陷-需要预先确定类数目且随机初始化中心引起性能不稳定。本文提出的算法较好地解决了这两个问题，提高了算法稳定性，实现了非平稳信号盲分类。提取非平稳信号的小波系数作为聚类的样本空间，分析聚类结果的统计偏差以估计类的数目，采用调和均值准则进行分类。最后给出的仿真结果表明本文提出的方法较传统的K-Means算法明显降低分类错误率。     

一种适应低信噪比的脉内识别算法

针对传统的雷达信号脉内调制类型在低信噪比下识别能力不高的局限性,提出一种改进的适应低信噪比的信号调制类型分类识别算法。该算法对雷达脉冲信号流进行时间和脉宽格子划分,对同一格子中脉冲信号采用一阶差分自相关函数法计算特征向量,根据特征向量值进行聚类统计分类。分类后对每组内脉冲信号进行平方处理,再次计算特征向量并进行聚类统计分类,选择每组内质量较好的脉冲信号进行调制类型识别,提高了信号分类识别正确率,通过仿真实验验证了该方法的有效性。     

一种MFSK信号分类及码速率估计方法

将经验模式分解(EMD)运用到多进制频移键控信号的分析中,选取分解后主分量的瞬时频率作为分类特征,运用无监督聚类算法求取最佳聚类数作为信号的载频个数。用时频曲线的Haar小波变换估计码元宽度,理论分析和仿真实验表明证明了该方法的可行性。     

谱聚类划分随机森林算法在图像识别中的应用

随机森林是近些年发展起来的新集成学习算法,具有较好的分类准确率。针对该算法计算复杂度较高的不足,提出了一种基于谱聚类划分的随机森林算法。首先,利用聚类效果较好的谱聚类算法对原始样本集的每一类进行聚类处理。然后,在每一聚类簇中随机选取一个样本作为代表,组成新训练样本集合。最后,在新训练样本集上训练随机森林分类器。该算法通过谱聚类技术对原始样本进行了初步划分,将位置相近的多个样本用簇内的一个样本代表,较大程度地减少了训练样本的个数。在Corel Image图像识别数据集上的实验表明,算法可以用较少的分类时间达到较高的分类精度。     

基于蚁群算法的文本分类和聚类

为了研究并提高文本的分类和聚类算法的性能,笔者根据蚁群算法在TSP问题中的应用方法,将其改进引用到文本的分聚类中。在文本聚类中,改变蚂蚁的信息素释放机制,道路节点的聚合方式,最终将相似文本进行聚合。在文本的分类中,将所需要的分类信息装入蚂蚁,蚂蚁根据系统外部所希望的方式将文本分类。实验结果证明,这种新的算法可以使文本分类和聚类的准确度提高,蚁群算法在文本分类聚类中的应用是可行的。     

融入局部信息的直觉模糊核聚类图像分割算法

针对传统直觉模糊C均值聚类(Intuitionistic Fuzzy C-means,IFCM)的图像分割算法对噪声和初始聚类中心敏感,导致聚类精度不高和迭代次数多的问题,提出一种结合局部信息的直觉模糊核聚类的图像分割算法。在该算法中,首先采用基于直方图的方法确定聚类中心初始值,解决算法对聚类中心的初始值敏感的问题;其次,利用核函数将待分类数据集映射到高维非线性空间,改善分类数据的线性可分性,同时在目标函数中引入局部灰度信息和局部空间信息,优化直觉模糊隶属度的计算方法,提高直觉模糊聚类的分类精度。实验结果表明,提出算法能减少迭代次数,提高聚类精度,能有效对图像进行分割;无论在对图像分割还是在聚类有效性上,提出算法都要优于传统的模糊聚类算法,如模糊C均值聚类(Fuzzy C-means,FCM)、模糊核均值聚类(Kernel-based fuzzy c-means,KFCM)）、引入空间信息的直觉模糊C均值聚类(Intuitionistic Fuzzy C-means with spatial constraints ,IFCM-S)、模糊空间聚类(Fuzzy Local Information C-means,FLICM）、直觉模糊C均值聚类(Intuitionistic Kernel-based Fuzzy C-means,IFKCM）等。      

基于克隆算法的网络结构聚类新算法

基于目标函数的聚类算法是目前应用最为广泛的聚类分析方法之一.然而这类算法都需要类别数和聚类原型的先验知识,且只能分析具有相同原型的数值型数据.此外这类算法还存在对初始化敏感,易陷入局部极值点等弱点.为此,本文提出一种基于克隆算法的网络结构聚类新算法以实现聚类分析的自动化.由于新算法将克隆选择与禁忌克隆相结合,使网络既具有免疫的特异性又具有免疫的耐受性,通过分析网络神经元的最小生成树,能够快速准确地获得类别数以及相关的分类信息.对各种类型的数据集的测试结果均表明,本文提出的新算法对于处理具有混和特征的数据集聚类分析问题是相当便捷有效的.     

A Multi-Granularity Density Peak Clustering Algorithm Based on Variational Mode Decomposition

Density peak clustering (DPC) can identify cluster centers quickly,without any prior knowledge.It is supposed that the cluster centers have a high density and large distance.However,some real datasets have a hierarchical structure,which will result in local cluster centers having a high density but a smaller distance.DPC is a flat clustering algorithm that searches for cluster centers globally,without considering local differences.To address this issue,a Multi-granularity DPC (MG-DPC) algorithm based on Variational mode decomposition (VMD) is proposed.MG-DPC can find global cluster centers in the coarse-grained space,as well as local cluster centers in the fine-grained space.In addition,the density is difficult to calculate when the dataset has a high dimension.Neighborhood preserving embedding (NPE) algorithm can maintain the neighborhood relationship between samples while reducing the dimensionality.Moreover,DPC requires human experience in selecting cluster centers.This paper proposes a method for automatically selecting cluster centers based on Chebyshev's inequality.MG-DPC is implemented on the dataset of load-data to realize load classification.The clustering performance is evaluated using five validity indices compared with four typical clustering methods.The experimental results demonstrate that MG-DPC outperforms other comparison methods.