如发现有乱码，请点击下面链接浏览原文
正文摘录:

李林峰等：基于聚类分析的无线暂态信号的n，一lfrI表示该类中样本的个数，则：D，一∑d一：∑∑(如一z^)。…’∈tl，f’∈tJ∈p这种分类情况下各点距离均值为：女，帆一∑去D，(3)Zi厶丌r构造一个参考分布：找出X中每列的最大值和最小值，并在此数据范围内按照均匀分布在该列重新生成一个数据集合，即得参考数据集y一{yd}，i一1，2，…，n；j一1，2，…，p。将数据集y进行蒙特卡络抽样，得到B个参考数据集并取其均值。统计偏差GAP为：Gap(正)一(吉)；log(w五)一log(Wk)(4)求出分类后各中心点位置的迭代公式(d。是m。的函巩(砉去)。求出m。之后，将这些点作为初始中心，在迭代过程中，如果分类结果中出现某类所包含的样本数目为零的情况，则该类的中心点被样本空间中与该中心点欧氏距离最远的样本点所取代，其余类的中心点不变，重新进行K—means算法，最后得到的结果是全局最佳的。Mean(y)一j一(吉)翠log(w二)(5)2算法性能的评估Varl(y)一“t一『(吉)∑(10g(w三)一)。]㈤定义轧一d。×(1+1／B)“。，迭代计算下面格式，当志一忌。时，Gap(惫)≥Gap(志+1)一s。，，即得到最佳类估计数目为惫’。1.2.2K—means算法数据集合X一{z∥一，z。)，其中z。∈R。(d维数据)，将x分成K个数据子集，其准则为使得各点到该点所属类中心的欧氏距离平方和最小“’：.PerfK.M({z.}墨，，{m，}冬。)=∑∑，(zi∈G)ll五一m川。(7)其中，cl，…，G代表各分类，优∥..，优。代表各类的中心。J(z)一J.，当x为真时为1，为假时为0。Iu1.2.3基于KHM准则确定初始中心K}tM(K一}tarmonic。Means)的判别准则是使得所有样本到各个类中心的调和均值之和最小。’，即使式(8)最小：PerfKHM({五}甚。，{m，}怎.)一∑.1-——j!-(8)-鲁llzi—mfll。其中M一{m，lz一1，2，…，K}代表K个类中心，S一{z，Ii一1，2，…，N}代表N个待分类的样本。又KIIM调和均值定义为：Pei·fK。。({zj}兰。，{m，}怎.)一妻—j『————茎l-j刍ffz。一优ffI。一∑HA{llz，一m『Il。】扛1，2，…K}(9)根据优化准则，式(9)对中心点位置m。(忌一1，2，…，K)的偏导数为零(用d。表示IIz。一zfll。)：訾一‘害靠焉…10)盲分类性能是通过样本分类正确率来体现的。为比较算法性能，根据样本空间构造一个20×20的信号矩阵，每列代表一个类的全部信号，矩阵元素值是信号类的排序号。比较分类矩阵与信号矩阵中各个元素是否相等，来判断其正确率。如图3所示，在信噪比为30dB后其正确率则基本趋于稳定，而K—means算法则不然，其主要原因为K—means算法随机设置聚类初始化中心而引起的性能不稳定导致的；在图4中，基于中心的聚类算法，其性能都随着数据空间中的类数目的增加而恶化，而综合聚类算法对在类数目不大于10时，还是保证了不低于80％的正确率。图3综合聚类算法与传统算法性能比较信号类数I=I，类图4算法性能随类数目变化(下转第68页)章