基于模糊c-均值聚类的最优量化器设计

《基于模糊c-均值聚类的最优量化器设计》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、万方数据2010年7月第33卷第4期四川师范大学学报(自然科学版)JournalofSichuanNormalUniversity(NaturalScience)July，2010V01．33，No．4基于模糊C一均值聚类的最优量化器设计庄刘，曾艳(中国民航飞行学院计算机学院，四川广汉618307)摘要：分布式估计融合是多传感器系统研究的一项重要内容．在实际应用中，各传感器观测的统计信息往往未知，同时，由于受到通讯带宽的限制，又需要对传感器的观测和估计进行有效的压缩编码．针对观测统计量的联合概率分布未知的多

2、传感器分布式估计融合系统，利用V．Megalooikonomou等提出的直和估计思想，基于模糊c一均值聚类方法设计一种分站最优量化器，显著地改进了基于硬C一均值聚类方法设计量化器的融合效果．计算机模拟表明了此方法的有效性．关键词：分布式估计；硬C一均值聚类；模糊C一均值聚类；直和估计中图分类号：0211．9文献标志码：A文章编号：1001—8395(2010)04-0559一04doi：10．3969／j．issn．1001—8395．2010．04．034在分布式估计融合系统中【1。3J，各个传感器根据自

3、己的观测作出局部最优估计，然后将其送至融合中心进行融合．在实际应用中，一方面系统受到通讯带宽的限制，必须对传感器的观测和估计进行有效的压缩编码，即对观测数据的量化是必不可少的【43；另一方面各传感器观测的统计信息常常未知，只能利用一定的训练数据来获得最终估计，而此时的分布式估计融合有着广泛的应用背景．对于分布式估计融合系统，在各观测的联合概率分布未知，且有一个训练序列已知的情形．Y．Yesha和V．MegalooikonomouK-6]提出了基于回归树设计量化器的方法，以及用于降低融合中心存储复杂度的直和估

4、计方法；文献[7]在直和估计方法的基础上，提出了基于硬C一均值聚类设计量化器的方法，显著地改进了基于回归树设计量化器的融合效果．本文主要针对各传感器的联合概率分布未知的分布式估计融合系统，在算法简单、存储复杂度低的直和估计方法的基础上，考虑利用模糊C一均值聚类方法设计各传感器的最优量化器，以便能进一步改进文献[7]中基于硬C一均值聚类设计量化器的融合效果．1分布式系统的估计融合模型本文仅考虑带有两个传感器的分布式估计融合系统．为了讨论方便，这里将每个传感器称为一个分站，设置，墨分别表示两个分站的随机观测向量

5、，其维数为P和q，它们与系统的未知参数0有关，且联合概率分布未知，F={(五，恐)“)，0“’，t=1，2，⋯，肘}为训练集，其中t为训练指针，肘为训练集中样本点的个数．每个分站处理各自的观测值，并将处理结果通过信道传输到共有的融合中心，分站间不传递信息，并且从融合中心到各分站没有反馈信息，融合中心的主要任务是估计未知参数n对于此类系统，为了降低融合中心的计算与存储复杂度，有必要选取适当的融合规则对未知参数0进行融合估计．文献E5—6]中提出的直和估计方法算法简单，计算复杂度小，能有效降低融合中心的数据存储

6、要求．本文也利用直和估计方法来建立系统的估计融合模型．直和估计方法主要是将各分站的估计值在融合中心以线性组合的方式加以融合，在未知参数0的最小均方估计误差下求出最佳线性组合系数，从而找到0的最佳估计a具体做法是：设分站量化器Q。(k=l，2)的划分(即传感器观测空间的划分)为P口。={Af，i=l，⋯，C1}，P口：={B，√=l，⋯，C2}，其中，Ai，Bi均为集合，C，，c：为划分的类别数．对每个固定的训练点t，0¨’的估计量为ClC2∥=∑aila，(掣)+∑0J『。j(砖”)，(1)收稿H期：200

7、9—06—29基金项目：圈家自然科学基金(60879023)资助项日作者简介：庄刘(1975一)，女．讲师，主要从事概率论与数理统计、信息处理与融合的研究万方数据560四川师范大学学报(自然科学版)33卷其中，，为示性函数，口；：i=1，⋯，C，与6i：歹=1，⋯，G是在融合中心待求的参数．当各分站的划分固定时，分布式估计融合系统的估计融合模型可写为，M呀6=亩；(p“’一㈣2．(2)从而将估计融合问题转化为一个线性估计问题，利用正规方程即可求出参数a。、6，的递推解【8】．2基于硬C一均值聚类的最优量化器

8、设计由于系统受到通讯带宽的限制，必须对各分站的观测与估计进行有效的压缩编码，即需要设计各分站的最优量化器，以减少损失并提高系统的融合性能．而量化器的设计方法不同也会影响系统的融合性能．在基于目标函数的聚类方法中，C一均值聚类是一种最为常用的方法，它包括硬C一均值聚类(简称HCM)与模糊C一均值聚类(简称FCM)[9-13]．C一均值聚类算法简单、收敛速度快、局部搜索能力强、内存消耗小，能有效地处理大型数据集．文献