一种适用于欠定盲分离的新型K‑mean聚类方法技术

本发明专利技术公开了一种适用于欠定盲分离的新型K‑mean聚类方法，包括以下步骤：步骤1，确定聚类对象，建立聚类列表；步骤2，按照最小距离法则对样本分类，计算各聚类中所有数据与该类聚类中心的平均距离，将各聚类中心周围在所述平均距离范围内的数据加入聚类列表中；步骤3，计算聚类中心周围在所述平均距离范围内的数据的均值，将其作为新的聚类中心，若其与之前聚类中心一致则停止迭代，输出聚类结果，否则返回步骤2。本发明专利技术的适用于欠定盲分离的新型K‑mean聚类方法，解决了传统K‑means聚类算法稳定性差、估算结果偏差大的问题，进而能更有效地估计出混合矩阵，从整体上提高了算法的精确度。

【技术实现步骤摘要】

本专利技术属于盲源分离
，具体地说，涉及一种适用于欠定盲分离的新型K-mean聚类方法。
技术介绍
传统盲信号分离技术从上世纪研究至今已经历经有三十多年了，盲源分离技术已经取得了快速的发展，各类盲源分离算法不断更新换代，不断对算法精度方面进行改进调节。但是，随着科学技术的不断进步，对目前的技术精度要求也将越来越高，还有许多问题有待进一步去研究和解决。最先考虑解决的问题应该从基础理论开始完善。以往在实际应用里采用的处理算法中，传统K-means聚类算法在估算信号的聚类中心过程中，伴随着随机性而导致了该聚类系统的不稳定性，因而最终估算出的混叠矩阵偏差较大，在算法的稳定性和收敛性的证明方面还并不是特别充分。虽然盲信号分离技术的算法知识上已经得到了不错的发展，但是由于面对实际应用中混合信号的复杂度，盲源分离技术在本应用领域上还需要继续加快步伐去探讨、不断提高，争取往更高的方向改进。而在目前，盲源分离技术在实际生活中的应用里已经越来越广泛了。而且盲源分离技术在军事上的信号监测以及语音分析方面、甚至在生物医疗信号的研究上都起到了相当重要的作用。在以后的社会发展中，成熟的盲信号分离技术将会在许多研究领域里起到更强的实用效果。
技术实现思路
有鉴于此，本专利技术针对传统K-means聚类算法稳定性差、估算结果偏差大的问题，提供了一种适用于欠定盲分离的新型K-mean聚类方法，该聚类系统更稳定，从而得到更精确的估算结果。为了解决上述技术问题，本专利技术公开了一种适用于欠定盲分离的新型K-mean聚类方法，具体包括以下步骤：步骤1，确定聚类对象，建立聚类列表；步骤2，按照最小距离法则对样本分类，计算各聚类中所有数据与该类聚类中心的平均距离，将各聚类中心周围在所述平均距离范围内的数据加入聚类列表中；步骤3，计算聚类中心周围在所述平均距离范围内的数据的均值，将其作为新的聚类中心，若其与之前聚类中心一致则停止迭代，输出聚类结果，否则返回步骤2。进一步地，步骤1包括：步骤1-1，根据z＝argmaxdist[xi][xj]计算样本数据间的距离，当取得最大值maxdist[xi][xj]时，令聚类对象z＝[xi,xj]；其中，xi表示第i个样本，xj表示第j个样本；步骤1-2，根据计算所有样本数据与聚类中心所有对象的距离之和的最大值；其中，xh表示第h个聚类中心的所有对象与所有样本的距离最大值；步骤1-3，当所有样本数据与聚类中心所有对象的距离之和取得最大值时，将此时的xh加入到聚类对象中，z＝[xi,xj,xh]，并建立聚类列表k＝[xi,xj,xh。]进一步地，步骤2包括：步骤2-1，根据按照最小距离法则对样本分类；其中，J表示最小距离法则；x表示样本集；zi表示第i个聚类对象；ki表示第i个聚类列表；步骤2-2，根据计算各聚类中所有数据与该类聚类中心的平均距离d；其中，m为各聚类中心的样本数；步骤2-3，通过find(dist[zi][ki]＜di)add(x,ki)找出各聚类中心周围在平均距离d范围内的数据，加入到聚类列表中；其中，di表示第i类的平均距离。进一步地，步骤3具体为：根据new_zi＝mean(x,ki)计算聚类中心周围在平均距离d范围内的数据的均值，将其作为新的聚类中心，当J不变时，停止迭代，输出聚类结果，否则返回所述步骤2。与现有技术相比，本专利技术可以获得包括以下技术效果：(1)本专利技术通过总体上利用信号源的稀疏性，利用K-means聚类和势函数结合使用的方法估计出混叠矩阵，新型K-均值聚类算法主要通过改进聚类中心的选取方法来得到更精确的聚类结果，解决了传统K-means聚类算法稳定性差、估算结果偏差大的问题，进而能更有效地估计出混合矩阵，从整体上提高了算法的精确度；(2)本专利技术方法可以得到更精确的初始聚类中心矩阵，而且结合势函数算法使用，可以解决K-means聚类算法的鲁棒性问题，使该聚类系统更稳定，从而得到更精确的估算结果。当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有技术效果。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是本专利技术实施例源信号恢复过程效果图。具体实施方式以下将配合实施例来详细说明本专利技术的实施方式，藉此对本专利技术如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。本专利技术一种适用于欠定盲分离的新型K-mean聚类方法，具体包括以下步骤：S1、根据z＝argmaxdist[xi][xj]计算样本数据间的距离，当取得最大值maxdist[xi][xj]时，令聚类对象z＝[xi,xj]；其中，xi表示第i个样本，xj表示第j个样本。S2、根据计算所有样本数据与聚类中心所有对象的距离之和的最大值；其中，xh表示第h个聚类中心的所有对象与所有样本的距离最大值。S3、当所有样本数据与聚类中心所有对象的距离之和取得最大值时，将此时的xh加入到聚类对象中，]并建立聚类列表S4、根据按照最小距离法则对样本分类；其中，J表示最小距离法则；x表示样本集；zi表示第i个聚类对象；ki表示第i个聚类列表。S5、根据计算各聚类中所有数据与该类聚类中心的平均距离d；其中，m为各聚类中心的样本数。S6、通过find(dist[zi][ki]＜di)add(x,ki)找出各聚类中心周围d范围内的数据，加入到聚类列表中；其中，di表示第i类的平均距离。S7、根据new_zi＝mean(x,ki)计算聚类中心周围d范围内的数据的均值，将其作为新的聚类中心，当J不变时，停止迭代，输出聚类结果，否则返回所述步骤S4。仿真实验：在本实验中，假设选取源信号数目为n＝4，传感器所接收到的观测信号数目为m＝2，且设随机选取的混叠矩阵为：即该4路源信号s(t)与上述混叠矩阵A相混合，从而得到这2路观测信号x(t)。而在该实验中，我们需在只知道2路观测信号x(t)的情况下来估算出4路源信号s(t)。而在进行估算前，为了使观测信号具有更强的稀疏性，通常会将信号进行傅里叶变换处理。此外，在参数选取方面，假定γ的数值为2。则当通过传统的K-means聚类算法，对观测信号进行估算时，得到初步估计的混叠矩阵如下：且当利用传统K-means聚类算法与势函数法相结合，对观测信号进行估算时，得到新的混叠矩阵如下：然而当利用本专利技术新型K-means聚类算法与势函数法相结合，对观测信号进行估算时，得到更新后的混叠矩阵如下：对于该几类估算结果，可以通过混叠矩阵中的列向量ai与之所对应的估计值aii进行比较，而比较两列向量的相似度则可利用它们的角度偏差值来衡量。角度偏差值越小，则表示该估计值越精确。角度偏差ang(ai,aii)计算公式如下：其中，ai表示混叠矩阵A中的第i列列向量，而aii则表示估算出的混叠矩阵Ar中的第i列列向量。由上式(1)则可计算出通过各种算法估算到的混叠矩阵中各列向量与真实值之间的角度偏差值，如表1所示：表1估计的混叠矩阵与原矩阵之间偏角的对比表在上述仿真例子中，经过上表数据对比可知，从总体上来看，K-means聚类算法与势函数法相结合使用时得到的估计结果要比传统的K-means聚类算法要本文档来自技高网...

【技术保护点】
一种适用于欠定盲分离的新型K‑mean聚类方法，其特征在于，具体包括以下步骤：步骤1，确定聚类对象，建立聚类列表；步骤2，按照最小距离法则对样本分类，计算各聚类中所有数据与该类聚类中心的平均距离，将各聚类中心周围在所述平均距离范围内的数据加入聚类列表中；步骤3，计算聚类中心周围在所述平均距离范围内的数据的均值，将其作为新的聚类中心，若其与之前聚类中心一致则停止迭代，输出聚类结果，否则返回步骤2。

【技术特征摘要】
1.一种适用于欠定盲分离的新型K-mean聚类方法，其特征在于，具体包括以下步骤：步骤1，确定聚类对象，建立聚类列表；步骤2，按照最小距离法则对样本分类，计算各聚类中所有数据与该类聚类中心的平均距离，将各聚类中心周围在所述平均距离范围内的数据加入聚类列表中；步骤3，计算聚类中心周围在所述平均距离范围内的数据的均值，将其作为新的聚类中心，若其与之前聚类中心一致则停止迭代，输出聚类结果，否则返回步骤2。2.如权利要求1所述的适用于欠定盲分离的新型K-mean聚类方法，其特征在于，步骤1包括：步骤1-1，根据z＝argmaxdist[xi][xj]计算样本数据间的距离，当取得最大值maxdist[xi][xj]时，令聚类对象z＝[xi,xj]；其中，xi表示第i个样本，xj表示第j个样本；步骤1-2，根据)计算所有样本数据与聚类中心所有对象的距离之和的最大值；其中，xh表示第h个聚类中心的所有对象与所有样本的距离最大值；步骤1-3，当所有样本数据与聚类中心所有对...

【专利技术属性】
技术研发人员：何俊，张清华，孙国玺，
申请(专利权)人：广东石油化工学院，
类型：发明
国别省市：广东;44