改进的DBSCAN算法在调制识别中的应用

改进的DBSCAN算法在调制识别中的应用

ID:38232739

大小:133.50 KB

页数:3页

时间:2019-05-26

改进的DBSCAN算法在调制识别中的应用_第1页
改进的DBSCAN算法在调制识别中的应用_第2页
改进的DBSCAN算法在调制识别中的应用_第3页
资源描述:

《改进的DBSCAN算法在调制识别中的应用》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、通信技术改进的!"#$%&算法在调制识别中的应用吴月娴I葛临东!信息工程大学信息工程学院I河南郑州ESPPP$"摘要"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DT%&’()*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@’ABC)D信号的调制识别"实验结果表明该方法是实际有效的!关键词"调制识别DT)%&’()*算法聚类星座图通信信号调制方式识别是软件无线电关键技术之由此可得出聚类!的定义"即

2、在"#$和%&’#($条件一!在数字幅相调制信号的识别中"可以对信号星座图下"若4为!中满足其"#$邻域内点的个数)H4.+4>!进行处理"将形状识别与调制识别相结合"获取关键调%&’#($的点"则聚类!为集合#+KM,N,为在"#$和%&’#($制特征!在现有文献中"对星座图的重构基本采用模糊条件下4的密度可达点O!!"#!$#!该方法的不足在于所有噪声参!均值的聚类算法%&’()*算法实现步骤如下所述#与到重构过程中"使得聚类中心受噪声影响较大而产生步骤F#确定输入参数"#$(%&’#($"令总点集为-"

3、较大误差!另外"模糊!均值在聚类初始值选定上存在非核心点集合."集合/*-0.I初始时.为空"聚类数着主观性以及对信号先验知识的缺乏"使最终的聚类结1KP&果具有很强的随机性!此外"星座图重构的准确性还与步骤J#若/非空"则在/中选择初始点4&否则"转载波恢复密切相关!至步骤Q&本文将改进的%&’()*算法+%,-./01&2.,3’420/25步骤?#判定4是否满足核心点条件)若满足"则在(56.0,7/-89:)445/;20/9-.用于被加性高斯白噪-中找出4的所有密度直达点"记作集

4、合2&否则"4归声干扰后信号的星座图重构"即运用减法聚类算法!?#确入."返回步骤J&定聚类初始中心"并通过对聚类结果的有效性分析"自适步骤E#判定C中元素G是否为边界点"是"则将4应地调整输入参数"提高了识别性能!该算法可以有效剔点和G点归入当前类"在C中另取一点4*代替4点"并除部分噪声"且对星座旋转不敏感"减法聚类则有效降低从R中去除4点和G点"返回至步骤?&否则"1*1L""了聚类时间开销!为进一步提高星座图重构的准确性"将执行下一步&该识别模块嵌入一多模式数字锁相环中"实现非数据辅步骤S#判定-中元

5、素个数是否大于%&’#($"是"则助的载波恢复"解决了载波频率偏移及相位抖动的问题!返回至步骤J"否则执行下一步&对@’ABC)D信号识别的仿真结果表明"此算法具有较好步骤Q#将-中剩余元素归入噪声类"结束)的抗噪性"在低信噪比下仍有较高的识别率!这可以看作一个森林遍历问题)令原始点4为根节!改进的"#$%&’算法点"每个节点均为上一层节点的直达点"而每个叶子则是()!"*$%&’算法边界点"聚类的过程也就是对这森林中树的遍历过程)%&’()*算法!E#是一种基于类内密度挖掘聚类具体()+改进算法!!,-"*

6、$%.’形状的方法"适用于任意形状几何图形的聚类"具有较%&’()*算法依赖于输入参数"#$+%&’#($"当输入参强的抗噪性!首先需要介绍两个概念#数不同时"对数据的聚类结果也不同,文献!?#中阐述了+F>密度直达点#在"#$和%&’#($$门限值%下"点4确定"#$和%&’#($的方法"但它是在对数据的先验知识为点G的密度直达点"当且仅当#!4在G的"#$邻域内&较为丰富的情况下得出的,对信号星座图的重构过程中""G为核心点"即G的"#$邻域内点的个数)H4.+G>大并不满足这样的条件,此外"虽然%&’(

7、)*算法本身与输于%&’#($&入数据顺序无关"但初始聚类中心的选取仍然会影响聚+$>密度可达点#若存在一组点链4FI4JI’I4’I4FKGI类速度,为此"本文用减法聚类确定初始聚类中心"以缩4’*4"其中4&L"是4&的密度直达点"则称4为G的密度短节点遍历过程"并在每次聚类结束时根据有效性分析可达点!结果调整,这里将改进的算法称为DT%&’()*算法,F$F通信技术!"#"!减法聚类算法9的增加达到最大时的9值作为聚类数#该算法提出了数据点的密度指标概念!每个数据图’为-./0123+算法流程图!其中最

8、大聚类数目点都有自己的密度指标!等价于数据场中的势函数概2根据需要确定#念#数据集中#每个点都是聚类中心的侯选者!数据点3(初始中心数!!"#最大聚类数目"!处密度指标定义为$总迭代次数#!$%!迭代记数$!%)"565(43(!"456#."$7’9减法聚类提取!个初始中心!"4!’7!8"97+这里半径!是一个正数!它定义了该点的一个邻!)"(,7各聚类中心!"的密度直达点构成域!半径以外的点对

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。