改进密度峰聚类的walsh码软扩频盲解扩

针对walsh码软扩频信号盲解扩问题,提出一种改进密度峰聚类算法。该算法在已知伪码周期和码片速率的前提下,对接收数据进行分段处理,得到数据矩阵,随后计算数据点的局部密度和距离较高局部密度数据点的最短距离,最后采用自动确定聚类中心的密度峰聚类算法估计伪码序列规模数和伪码序列。该算法具有在较低信噪比条件下,实现walsh码软扩频信号盲解扩的特点。仿真结果表明,在信噪比较低时,本文算法能够准确估计伪码序列规模数和伪码序列,且时间复杂度较低。

基于改进DPC的青霉素发酵过程多模型软测量建模

青霉素发酵过程具有较强的非线性、时变性、阶段性和不确定性,基于单一的软测量模型对产物浓度进行在线估计,难以满足系统对模型精度的要求。针对上述问题,提出一种改进密度峰值聚类的多模型软测量建模方法来估计青霉素发酵过程中的产物浓度。首先,引入相似度函数代替欧氏距离计算样本点的k近邻,并且计算样本点与其k近邻之间的共享近邻,进而利用样本点的k近邻及共享近邻重新定义样本点的局部密度。其次,利用样本点之间的k近邻关系来重新定义样本点的分配策略;通过改进的聚类算法得到各聚类子集,分别建立基于最小二乘支持向量机的软测量模型。Pensim仿真平台的验证结果表明,改进的聚类算法能够更加准确地对样本数据进行聚类,从而有效提高青霉素发酵过程软测量模型的估计精度。

改进Walsh码软扩频盲解扩算法

采用传统密度峰聚类算法实现Walsh码软扩频信号盲解扩时,算法的截断距离根据经验选取,性能不稳定。针对这一问题,提出改进密度峰聚类软扩频信号的盲解扩算法。该算法采用赋权欧氏距离作为数据的相似性度量并根据数据总体分布情况自适应确定截断距离,具有效率高、性能稳定等特点。Matlab环境下仿真结果表明,文中所述的改进算法能够自动确定截断距离,在信噪比为0~10dB范围内准确估计伪码序列规模数和伪码序列,并在该条件下实现Walsh码软扩频信号盲解扩。