采用广度优先搜索邻居聚类的通信信号调制识别

针对短波通信中无法避免的码间串扰问题,研究了聚类算法在信号调制识别中的作用,提出了一种利用广度优先搜索邻居(BFSN)聚类处理循环统计量特征的分类算法。该算法将循环统计量特征峰值作为聚类输入对象,通过BFSN聚类分析,剔除延时信号、噪声等造成的奇异类峰值,克服了多径效应产生的码间串扰影响,实现了2FSK、4FSK、BPSK、QPSK、16QAM、π/4-QPSK、π/4-DQPSK、8PSK等8种调制信号的自动识别。仿真表明,该算法聚类后提取的特征参数抗多径干扰能力强,同信道均衡方法相比识别正确率有5%的性能优势。低信噪比环境下的信号调制识别具有重要的工程应用意义。

局部迭代的快速K-means聚类算法

为了解决K-means算法在聚类数量增多的情况下,因选择了不合适的中心初值而影响到聚类效果这一问题,提出了一种局部迭代的快速K-means聚类算法(PIFKM+−)。该算法在K-means聚类的基础上,不断寻找能够被分割的聚类簇和能够被删除的聚类簇,并对受影响的局部数据进行重新聚类处理,降低了整个聚类更新的时间复杂度,提高了聚类的效果。PIFKM+−算法在面对聚类数量众多的情况下,具有能够快速更新聚类、对聚类中心初值不敏感、能够提高聚类精确度等优势。通过与K-means和K-means++两种算法的比较,在仿真数据集和真实数据集的综合实验下,验证了该算法的精确性、高效率性和可扩展性,同时实验结果的统计分析表明该算法在提高了聚类精确度的同时并没有损失太多的时间效率。

SA-BFSN:一种自适应基于密度聚类的算法

针对BFSN算法需要人工输入参数r和λ的缺陷,提出了一种自适应确定r和λ的SA-BFSN聚类方法。该方法通过Inverse Gaussian拟合判断r参数,通过分析噪声点数量的分布特征选择合适的λ值。算法测试表明,使用SA-BFSN无需人工输入参数,能够实现聚类过程的全自动化,能够有效处理任意形状、大小和密度的簇。

未知雷达信号BFSN聚类分选算法的FPGA实现

信号分选是雷达侦察系统中至关重要的环节,利用现场可编程逻辑门阵列(FPGA)实现雷达信号分选对系统速度和可靠性的提升具有重大影响,为此提出了一种非处理器架构并完全基于FPGA器件的广度优先搜索邻居(BFSN)聚类分选算法实现架构。在Xilinx公司的Virtex 5 FPGA上进行了硬件实现,并通过软件仿真与硬件测试对架构进行了实验验证。实验结果证实,该架构可对5部模拟雷达信号进行有效且快速的处理,证明了基于FPGA的雷达信号分选实现在工程上的可行性与高效性。

相似性与置信系数为基础的推荐系统评分预测

邻居选择和邻居数量对于推荐系统评分预测具有关键作用.本文采用复杂网络模型中多种聚类方法,针对现有方法通常基于单一相似性选择邻居的问题,建立用户为节点,相似性与置信系数为边的复杂网络模型,设计基于两个因素聚类的推荐系统评分预测算法,以提高推荐系统的预测准确性并减少最优预测所需的邻居数量.实验通过折十验证仿真用户对电影进行评分.结果表明,本文方法达到最优预测准确度时,预测所需邻居数量减少60%.研究揭示了基于置信系数和相似性对邻居进行聚类,可以更加有效选出适当邻居,且聚类方法进行适当化简对性能影响较小.

基于多Kinect的三维人脸重建研究

人脸三维数字化在医疗、影视制作和虚拟现实等领域具有重要意义,是计算机视觉研究的热点.为快速、完整、低成本和精确地实现人脸三维数字化,提出一种基于多Kinect的三维数字化系统.首先,连续采集8帧点云信息,避免信息缺失,改进双边滤波算法,对Kinect获取的点云滤波去噪;然后,精简点云拼接区域,先采用点特征直方图在两点云间寻找配准点,构造协方差矩阵,奇异值分解法求解该矩阵,得到初始变换参数,粗拼接点云;再通过改进的共享最近邻居聚类算法加快粗拼接后两点云间的最近点搜索速度,利用改进的最近点迭代算法实现精拼接;最后,实验结果表明:该系统能够快速、完整和精确地三维数字化人脸,达到了实验预期效果.