一种结合人工蜂群和K-均值的混合聚类算法

传统的K-均值聚类算法虽然收敛速度快,但由于过度依赖初始聚类中心,算法的鲁棒性较差。为此,提出了一种改进人工蜂群算法与K-均值相结合的混合聚类方法,将改进人工蜂群算法能调节全局寻优能力与局部寻优能力的优点与K-均值算法收敛速度快的优点相结合,来提高算法的鲁棒性。实验表明,该算法不仅克服了传统K-均值聚类算法稳定性差的缺点,而且聚类效果也有了明显改善。

基于混合聚类和网格密度的欠定盲矩阵估计

欠定盲矩阵估计是欠定盲源分离的关键技术,其估计结果直接影响源信号的分离精度。针对目前欠定盲矩阵估计算法稳定性差、估计精度不高的缺点,提出了一种基于混合聚类和网格密度的新算法。该算法利用基于人工蜂群算法和K-均值的混合聚类方法对信号数据进行聚类,提高聚类结果的稳定性;利用网格密度法修正每一类的聚类中心,提高混合矩阵的估计精度。实验结果表明,所提算法在稳定性和估计精度方面都比传统欠定盲矩阵估计算法有了明显改善。

一种提高雷达HRRP识别和拒判性能的新方法

针对传统雷达HRRP自动目标识别算法中识别率较低和库外样本拒判效果不理想的问题,提出了一种基于数据预处理和子像空间的新识别方法。该方法一方面通过对数据的预处理来消除噪声的影响,另一方面通过建立子像空间进一步提高了库内样本的识别率,并基于假设检验理论引入了拒判门限,用于对库外样本进行拒判。实验表明,该方法不仅在识别率方面优于传统识别算法,且能有效对库外样本进行拒判。

一种OFDM多带联合频谱感知新算法

针对目前OFDM系统多带联合频谱感知中门限向量优化方法存在收敛速度慢,收敛精度低的问题,文中提出了一种基于差分进化算法的门限向量优化方法。该算法根据OFDM系统的多载波数字调制原理及良好的频率选择性能,充分利用了差分进化算法收敛速度快、全局寻优能力强的特点,保证了在一定的主用户干扰限制下,充分考虑各子信道信息,获得各自最佳的门限向量。实验结果表明,文中所提出算法在收敛时间和收敛精度上均有明显提高,在干扰量一定的情况下,使认知系统总吞吐量最大。