一种基于K均值聚类算法的空间调制系统盲检测方法.pdf
音景****ka
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
一种基于K均值聚类算法的空间调制系统盲检测方法.pdf
本发明属于通信抗干扰技术领域,具体的说是涉及一种改进的基于K均值聚类的盲检测算法。本发明主要为了避免错误平台问题和降低算法复杂度,具体方法如下:将L个时隙的接收信号视为L个观测值,首先求得各观测值之间的欧氏距离矩阵,根据最大化最小欧式距离的思想选出K个观测值作为初始聚类中心;然后将剩余观测值依次放入距其最近的聚类中心的所对应的那一个类中;接着用每个类的观测值的均值作为新的聚类中心,并按上一个步骤进行分类,直至分类结果不再发生改变;最后将聚类结果解映射为比特信息。本发明的有益效果为,传统的K均值聚类检测算法
一种基于AP聚类算法的空间调制系统盲检测方法.pdf
本发明属于通信抗干扰技术领域,具体的说是涉及一种基于AP聚类算法的空间调制系统检测方法。本发明主要为了获得更好的检测性能,具体方法如下:将L个时隙的接收信号视为L个观测值,首先初始化吸引度矩阵R和归属度矩阵A为零矩阵;然后输入相似度矩阵S,通过最大化最小欧式距离的思想设置合适的参考度;接着迭代计算吸引度矩阵R和归属度矩阵A,直至它们收敛;最后输出聚类结果并解映射为信息比特。本发明的有益效果为,和传统的K均值聚类检测算法相比,AP聚类检测算法能够获得更好的性能,且具有较低的算法复杂度。
基于模拟退火的K调和均值聚类算法.pdf
计算机系统应用http://www.c-s-a.org.cn2011年第20卷第7期基于模拟退火的K调和均值聚类算法①刘国丽,甄晓敏(河北工业大学计算机科学与软件学院,天津300401)摘要:K均值算法是最通用的划分聚类算法,然而它有高度依赖初始值和收敛于局部最小的缺点,K调和均值算法采用数据点与所有聚类中心的距离的调和平均替代了数据点与聚类中心的最小距离,解决了K均值算法对初值敏感的问题。这样虽然解决初始值敏感问题,局部最小收敛问题仍然存在。为了获得全局最优解,提出一种新的算法:基于模拟退火算法的K调和
基于鱼群的K均值聚类算法研究的开题报告.docx
基于鱼群的K均值聚类算法研究的开题报告一、选题背景聚类分析是数据分析中的一个重要方法,它是将具有相似特征的数据对象分为不同的群组或类别的过程。而K均值聚类是聚类分析中最常用的方法之一,它能够将数据对象分为K个不同的类别。传统的K均值聚类算法是基于每个数据对象的距离来计算其所属的类别,这种算法对于连续型数据的聚类效果较好,但对于离散型数据的处理较为困难。近年来,一些基于鱼群行为的聚类方法逐渐被引入到聚类分析中,这些方法以鱼群行为为基础,计算每个数据对象和其他对象之间的相似度,进而将它们划分到不同的群组中。这
基于量子遗传算法的K调和均值聚类算法的研究的开题报告.docx
基于量子遗传算法的K调和均值聚类算法的研究的开题报告一、研究背景在数据挖掘领域中,聚类算法是一种重要的数据分析方法,其将数据集中的数据对象划分为若干个聚类组,每个组内数据对象之间的相似性较高,而不同组之间的相似性则较低。K-Means算法、层次聚类算法、密度聚类算法等都是比较常用的聚类算法。然而,这些算法在处理复杂数据时面临着很大的挑战,比如处理高维数据、大规模数据、不规则数据等。因此,研究新的聚类算法具有非常重要的意义。同时,量子计算作为一种新型计算方法,已经被广泛研究,其在某些领域能够提供比传统计算方