【技术实现步骤摘要】
本专利技术属于数据挖掘领域,模式识别领域,机器学习中的无监督学习领域,以及信道建模和信道特性研究领域,具体讲,涉及改进的多径簇聚类方法。
技术介绍
聚类算法在数据挖掘中是一种非常重要的数据分析方法,该算法的目标是将数据集合中的大量数据分成不同的簇,使得同一簇内的各个数据间的差别尽可能小,不同簇内数据之间的差别尽可能大,从而对数据进行分析,以便应用与实际的研究内容中。聚类算法历史悠久,早在1967年MacQueen就提出了KMeans聚类算法,该算法以不同数据的欧氏距离平方和作为目标函数,之后Hartigan在1975年时发表专著《ClusteringAlgorithms》对聚类算法进行了详细的论述,证明了目标函数的收敛性。此时的聚类算法易于理解易于描述,但是存在许多缺陷,例如:需要预先确定聚类中心数K,聚类的效果会受到初始聚类中心设置的影响,简单基于欧氏距离的目标函数存在局部最小值点,从而会使算法陷入局部最小值等等。根据聚类算法的基本思想,聚类不仅要使同一簇内的相似度尽可能大,还要使簇间的相似度尽可能小,因而之后提出了一系列改进都是使用类内紧密型与类间分散性的比值作为收敛函数,当收敛函数收敛至极小值时,可以使簇内相似度小,簇间相似度大。如DB(Davies—Bouldin)指数就是计算类内距离之和与类间距离之和的比值。在无线通信中,电磁波的传播可以用传播径近似表征。传播径可以通过一个多维参数集描述,该参数集一般包括能量、时延、到达角和离开角等多径特性。一般将具有相近参数的多径归为一个簇进行统计特性研究,一些主流的无线宽带信道模型(SCM/SCME/WIN ...
【技术保护点】
一种改进的多径簇聚类方法,其特征是,首先采用小波变换的尖峰检测技术代替随机选择,获得稳定的聚类效果;接下来在考虑了多径功率的影响的基础上,引入信息熵原理计算多径属性自适应加权的多径分量距离MCD(Multipath Component Distance);最后依据不同的MCD将不同的多径分配给不同的簇。
【技术特征摘要】
1.一种改进的多径簇聚类方法,其特征是,首先采用小波变换的尖峰检测技术代替随机选择,获得稳定的聚类效果;接下来在考虑了多径功率的影响的基础上,引入信息熵原理计算多径属性自适应加权的多径分量距离MCD(MultipathComponentDistance);最后依据不同的MCD将不同的多...
【专利技术属性】
技术研发人员:杨晋生,赵月秋,吴旭曌,陈为刚,
申请(专利权)人:天津大学,
类型:发明
国别省市:天津;12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。