亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于改進(jìn)網(wǎng)格聚類的動(dòng)態(tài)雷達(dá)信號(hào)分選算法

        2012-06-08 08:40:22陳維高張國(guó)毅
        雷達(dá)與對(duì)抗 2012年4期
        關(guān)鍵詞:脈沖聚類閾值

        陳維高,張國(guó)毅

        (空軍航空大學(xué),長(zhǎng)春 130022)

        0 引言

        雷達(dá)信號(hào)分選是指從偵察接收機(jī)輸出的隨機(jī)交疊脈沖流中分離出各部雷達(dá)信號(hào)的過(guò)程,也就是脈沖信號(hào)去交錯(cuò)的過(guò)程。它是現(xiàn)代電子偵察系統(tǒng)的關(guān)鍵技術(shù),同時(shí)也是電子情報(bào)偵察系統(tǒng)(ELINT)和電子支援系統(tǒng)(ESM)的重要組成部分。然而,隨著雷達(dá)數(shù)目的急劇增加和信號(hào)形式的日趨復(fù)雜,使得現(xiàn)代雷達(dá)信號(hào)分選任務(wù)面臨巨大的挑戰(zhàn)。目前,應(yīng)用到雷達(dá)信號(hào)分選的主要方法有模板匹配法[1]、直方圖分選法(CDIF、SDIF)[2-3]和平面變換技術(shù)[4]等。在現(xiàn)代高密度復(fù)雜信號(hào)環(huán)境下,這些算法存在著運(yùn)算量巨大、無(wú)法滿足實(shí)時(shí)性需要的問(wèn)題。因此,亟需一種運(yùn)算量小、實(shí)時(shí)性好的分選算法來(lái)稀釋高密度脈沖流,完成對(duì)偵察信號(hào)的初步分類,減少后續(xù)分選任務(wù)的負(fù)擔(dān)。

        近年來(lái)聚類分析技術(shù)廣泛應(yīng)用于雷達(dá)信號(hào)分選中,并取得了較好的效果。其中,由于網(wǎng)格聚類算法[5]實(shí)時(shí)性好,可以在無(wú)先驗(yàn)知識(shí)的條件下充分利用數(shù)據(jù)集自身的密度連通性完成聚類,且該算法的處理時(shí)間獨(dú)立于數(shù)據(jù)對(duì)象的數(shù)目,因此非常適合處理數(shù)據(jù)量巨大且對(duì)實(shí)時(shí)性要求高的雷達(dá)信號(hào)分選任務(wù)。然而,傳統(tǒng)網(wǎng)格聚類算法存在密度閾值設(shè)置不夠合理、對(duì)邊緣數(shù)據(jù)處理不完善、聚類精度較低的問(wèn)題[6]。針對(duì)以上問(wèn)題,本文提出了一種基于改進(jìn)網(wǎng)格聚類的動(dòng)態(tài)雷達(dá)信號(hào)分選算法。該方法首先將CluStream 聚類算法中的雙層框架引入雷達(dá)信號(hào)分選系統(tǒng),增強(qiáng)了分選系統(tǒng)的實(shí)時(shí)性,然后通過(guò)雙密度閾值策略和邊緣稀疏網(wǎng)格優(yōu)化處理,改進(jìn)了傳統(tǒng)網(wǎng)格聚類算法。仿真結(jié)果表明,該方法具備較高的抗干擾能力和聚類精度,取得了較好的分選效果。

        1 動(dòng)態(tài)信號(hào)分選框架

        數(shù)據(jù)流聚類是針對(duì)連續(xù)數(shù)據(jù)流的聚類分析方法,如果把接收機(jī)不斷輸出的雷達(dá)偵察數(shù)據(jù)看作數(shù)據(jù)流,則雷達(dá)信號(hào)分選就可以轉(zhuǎn)化為數(shù)據(jù)流聚類的問(wèn)題。本文將經(jīng)典數(shù)據(jù)流聚類算法CluStream[7]的雙層框架引入雷達(dá)信號(hào)分選,并結(jié)合文獻(xiàn)[8]提出的動(dòng)態(tài)信號(hào)分選框架來(lái)設(shè)計(jì)信號(hào)分選系統(tǒng)。如圖1所示,動(dòng)態(tài)信號(hào)分選框架主要分為兩個(gè)部分:一是在線層不斷將偵察數(shù)據(jù)轉(zhuǎn)化為概要數(shù)據(jù)結(jié)構(gòu)信息,并定時(shí)存儲(chǔ);二是離線層直接訪問(wèn)暫存數(shù)據(jù)庫(kù),利用概要信息完成信號(hào)分選。

        圖1 動(dòng)態(tài)信號(hào)分選框架圖

        1.1 在線層

        偵察接收機(jī)偵收到的數(shù)據(jù)不斷涌入,形成偵察數(shù)據(jù)流,此時(shí)數(shù)據(jù)流中包含大量的數(shù)據(jù)信息,需要對(duì)其進(jìn)行數(shù)據(jù)轉(zhuǎn)換以獲得離線部分所需的概要數(shù)據(jù)結(jié)構(gòu)信息。在滿足一定的存儲(chǔ)時(shí)間條件下,將數(shù)據(jù)轉(zhuǎn)換后形成的概要數(shù)據(jù)結(jié)構(gòu)信息存儲(chǔ)到暫存數(shù)據(jù)庫(kù)中,以供離線層調(diào)用。

        1.2 離線層

        根據(jù)具體的分選需求從暫存數(shù)據(jù)庫(kù)中調(diào)取相應(yīng)的概要數(shù)據(jù)信息,然后利用改進(jìn)網(wǎng)格聚類算法完成信號(hào)的分選任務(wù),并顯示出聚類結(jié)果。

        將分選系統(tǒng)設(shè)置成雙層框架結(jié)構(gòu),可以在接收機(jī)輸出偵察數(shù)據(jù)的同時(shí)將數(shù)據(jù)轉(zhuǎn)化為概要數(shù)據(jù)結(jié)構(gòu)信息,不用直接處理接收機(jī)輸出的海量數(shù)據(jù),相比傳統(tǒng)的靜態(tài)分選方法,節(jié)省了整個(gè)分選過(guò)程所用的時(shí)間,增加了分選系統(tǒng)的實(shí)時(shí)性[9]。

        2 網(wǎng)格聚類算法

        2.1 網(wǎng)格單元

        將參數(shù)空間D=(D1,D2,…,Dd)的每一維劃分為K個(gè)區(qū)間。這些區(qū)間按照該維參數(shù)值的大小順序排列,則整個(gè)參數(shù)空間被分成有限個(gè)不相交的矩形(或超矩形)單元。這種劃分后的單元稱為網(wǎng)格單元,使得數(shù)據(jù)集中所有數(shù)據(jù)信息都能投影于這些網(wǎng)格單元中去。

        2.2 相鄰網(wǎng)格單元

        當(dāng)d 維參數(shù)空間中的兩個(gè)網(wǎng)格單元U1、U2存在公共頂點(diǎn)或者公共邊界時(shí),稱這兩個(gè)網(wǎng)格單元為相鄰網(wǎng)格單元。

        2.3 網(wǎng)格密度

        通過(guò)網(wǎng)格劃分將參數(shù)空間劃分為體積相等的各個(gè)網(wǎng)格單元,將每一個(gè)網(wǎng)格單元中包含的數(shù)據(jù)個(gè)數(shù)作為該網(wǎng)格單元的密度ρ。

        2.4 數(shù)據(jù)壓縮比

        每一維劃分的網(wǎng)格單元個(gè)數(shù)K 就代表著數(shù)據(jù)壓縮的程度,本文通過(guò)定義數(shù)據(jù)壓縮比η來(lái)設(shè)置參數(shù)K:

        式中,n為待分選脈沖個(gè)數(shù),d為特征參數(shù)的維數(shù)。

        K 值越大,對(duì)應(yīng)的數(shù)據(jù)壓縮比越小,劃分的網(wǎng)格數(shù)越接近數(shù)據(jù)個(gè)數(shù),此時(shí)會(huì)產(chǎn)生許多空網(wǎng)格耗費(fèi)存儲(chǔ)空間,并且計(jì)算代價(jià)也將增大;當(dāng)K 值過(guò)小時(shí),會(huì)將大量噪聲和不同類數(shù)據(jù)劃分到同一網(wǎng)格中去,給聚類精度帶來(lái)很大的影響。綜合兩方面的因素,經(jīng)過(guò)大量仿真驗(yàn)證,當(dāng)數(shù)據(jù)壓縮比取70%時(shí),既可保證分選實(shí)時(shí)性又能獲取較高的聚類精度。

        2.5 傳統(tǒng)網(wǎng)格聚類算法局限性分析

        傳統(tǒng)網(wǎng)格聚類中只設(shè)定一個(gè)密度閾值ε',當(dāng)網(wǎng)格密度ρ >ε'時(shí),該網(wǎng)格為密集網(wǎng)格,然后將相鄰密集網(wǎng)格聯(lián)通的最大集合作為一類數(shù)據(jù);若ρ<ε'時(shí),該網(wǎng)格判為非密集網(wǎng)格,予以舍棄。這種密度閾值的設(shè)置是不合理的,會(huì)使密度沒(méi)有達(dá)到該閾值的一些真實(shí)數(shù)據(jù)被當(dāng)作噪聲舍棄。通過(guò)圖2 可以更加清楚地說(shuō)明這個(gè)問(wèn)題。

        圖2 網(wǎng)格聚類密度示意圖

        圖2中c~d 段代表某一類真實(shí)數(shù)據(jù)網(wǎng)格,e~f 段代表噪聲分布較密集的網(wǎng)格。假設(shè)一個(gè)較大的密度閾值ε,則只有a~b 段的網(wǎng)格可以被聚類,而c~a、b~d段以及兩段邊緣的密度小于ε的網(wǎng)格將被舍棄,這將使一部分?jǐn)?shù)據(jù)丟失從而降低聚類精度;假設(shè)一個(gè)較小的密度閾值δ/2,則某些噪聲較為密集的網(wǎng)格(如e~f段)也會(huì)被認(rèn)為是某一類而聚類,產(chǎn)生“增批”現(xiàn)象,并且對(duì)于c~d 段兩側(cè)邊緣的網(wǎng)格依然不能被聚類。針對(duì)以上問(wèn)題,本文設(shè)計(jì)了雙密度閾值策略和邊緣稀疏網(wǎng)格優(yōu)化方法。

        3 改進(jìn)網(wǎng)格聚類算法

        3.1 雙密度閾值策略

        如圖2所示,ε 是第一層密度閾值,設(shè)置為空間中網(wǎng)格單元的平均密度加上標(biāo)準(zhǔn)差的一半;δ/2 是第二層密度閾值,設(shè)置為統(tǒng)計(jì)學(xué)中判斷離散度的標(biāo)準(zhǔn)差的一半。計(jì)算過(guò)程如下:

        式中,ρi為第i個(gè)網(wǎng)格單元的密度,K為每一維劃分的區(qū)間個(gè)數(shù),d 代表參數(shù)空間的維數(shù),G為參數(shù)空間中非空網(wǎng)格的個(gè)數(shù),σ為方差代表數(shù)據(jù)離散程度。

        根據(jù)雙密度將網(wǎng)格劃分為3 種狀態(tài):當(dāng)ρi≥ε時(shí),該網(wǎng)格為密集網(wǎng)格,如圖2中a~b 段的網(wǎng)格;當(dāng)ε >ρi≥δ/2時(shí),該網(wǎng)格為過(guò)渡網(wǎng)格,如圖2中c~a、b~d、e~f 段的網(wǎng)格;當(dāng)ρi<δ/2時(shí),該網(wǎng)格為稀疏網(wǎng)格,如圖2中除去e~f、c~d 段之外的網(wǎng)格。

        在每一次進(jìn)行聚類時(shí),首先選取未被聚類且密度最大的網(wǎng)格U0,判斷該網(wǎng)格是否為密集網(wǎng)格,只有當(dāng)網(wǎng)格U0是密集網(wǎng)格時(shí),才以網(wǎng)格U0為聚類起始點(diǎn)開始聚類。依據(jù)廣度優(yōu)先搜索原則[10]依次訪問(wèn)網(wǎng)格U0的相鄰網(wǎng)格單元,并將其中未被聚類的過(guò)渡網(wǎng)格和密集網(wǎng)格Ui(i=1,2,3,…,i)都?xì)w屬到該類,然后再順序訪問(wèn)所有與網(wǎng)格Ui(i=1,2,3,…,i)相鄰的未聚類網(wǎng)格單元,重復(fù)上述過(guò)程并進(jìn)行歸類,直到所有未聚類的相鄰網(wǎng)格單元都是稀疏網(wǎng)格,此時(shí)對(duì)不為空的邊緣稀疏網(wǎng)格進(jìn)行優(yōu)化處理。優(yōu)化處理后,對(duì)剩余數(shù)據(jù)按照上述方法進(jìn)行下一次聚類,直到選取的U0不是密集網(wǎng)格時(shí)該批數(shù)據(jù)完成聚類。

        將聚類起始網(wǎng)格規(guī)定為密集網(wǎng)格,可以避免一些噪聲分布較為密集的網(wǎng)格被聚類,如圖2所示。只能選擇a~b 段的密度最大的網(wǎng)格作為聚類起始網(wǎng)格,而不會(huì)選擇e~f 段的網(wǎng)格作為起始網(wǎng)格,從而避免將一些噪聲網(wǎng)格聚類造成“增批”現(xiàn)象,提高了算法的抗干擾能力。

        3.2 邊緣稀疏網(wǎng)格優(yōu)化方法

        在對(duì)某一類數(shù)據(jù)進(jìn)行聚類的過(guò)程中,當(dāng)所有未聚類的相鄰網(wǎng)格單元都是稀疏網(wǎng)格時(shí),對(duì)不為空的邊緣稀疏網(wǎng)格進(jìn)行優(yōu)化處理。如圖3所示,c2、c4 網(wǎng)格為密集網(wǎng)格,c1為過(guò)渡網(wǎng)格,其他都為稀疏網(wǎng)格。以稀疏網(wǎng)格b3中的數(shù)據(jù)點(diǎn)p 進(jìn)行優(yōu)化處理舉例:首先,計(jì)算與網(wǎng)格b3 相鄰的非空網(wǎng)格中數(shù)據(jù)點(diǎn)到點(diǎn)p的歐氏距離;其次,記錄每個(gè)相鄰網(wǎng)格中歐氏距離di≤r(i=1,2,3,…,i,r為歸屬度門限值,選取為網(wǎng)格邊長(zhǎng)的最大值)的個(gè)數(shù),將該個(gè)數(shù)作為數(shù)據(jù)點(diǎn)p 對(duì)應(yīng)該網(wǎng)格的歸屬度,記為Sn(n=1,2,3,…,n,n為相鄰網(wǎng)格標(biāo)號(hào)),圖中點(diǎn)p對(duì)于鄰近非空網(wǎng)格b2,c2,c3,c4,b4,a4,a3的歸屬度依次為1,1,2,5,1,0,1;最后,比較點(diǎn)p的歸屬度,選取歸屬度最大的網(wǎng)格將數(shù)據(jù)點(diǎn)p 歸屬到該網(wǎng)格所屬的類中去,圖中點(diǎn)p 將歸屬到網(wǎng)格c4所屬的類1中去。需要指出的是:當(dāng)數(shù)據(jù)點(diǎn)對(duì)幾個(gè)網(wǎng)格的歸屬度相等時(shí),將同一類的網(wǎng)格歸屬度累加,計(jì)算數(shù)據(jù)點(diǎn)對(duì)類的歸屬度,然后再比較數(shù)據(jù)點(diǎn)對(duì)不同類的歸屬度,從而判斷該點(diǎn)的歸屬問(wèn)題。

        圖3 邊緣優(yōu)化示意圖

        如果應(yīng)用傳統(tǒng)網(wǎng)格聚類算法,只將密集網(wǎng)格c2、c4聚類,將會(huì)丟失大量有用數(shù)據(jù),嚴(yán)重影響聚類精度。然而,本文提出的邊緣優(yōu)化方法在雙閾值策略的基礎(chǔ)上對(duì)邊緣稀疏網(wǎng)格里的數(shù)據(jù)點(diǎn)依據(jù)“類內(nèi)聚集度”(對(duì)比數(shù)據(jù)點(diǎn)到各個(gè)類別的歸屬度)進(jìn)行判別歸屬,可以很好地解決分布在網(wǎng)格邊緣數(shù)據(jù)的歸屬問(wèn)題,從而提高聚類精度。

        3.3 算法流程

        下面結(jié)合圖4 介紹改進(jìn)網(wǎng)格密度聚類算法的具體步驟:

        (1)對(duì)待分選數(shù)據(jù)集中存儲(chǔ)的參數(shù)數(shù)據(jù)進(jìn)行歸一化處理;

        (2)依據(jù)設(shè)定的數(shù)據(jù)壓縮比η來(lái)確定K 值的大小,對(duì)整個(gè)空間進(jìn)行劃分,并將歸一化后的數(shù)據(jù)投影到網(wǎng)格空間中。計(jì)算每個(gè)網(wǎng)格的密度,對(duì)所有非空網(wǎng)格設(shè)置狀態(tài)標(biāo)簽label。在聚類過(guò)程中該標(biāo)簽隨對(duì)應(yīng)網(wǎng)格狀態(tài)的變化而變化,label=0 表示該網(wǎng)格未聚類,label=1 表示該網(wǎng)格已聚類;

        (3)由每個(gè)網(wǎng)格的密度及非空網(wǎng)格的個(gè)數(shù)依據(jù)式(2)、(3)、(4)來(lái)計(jì)算兩個(gè)密度閾值;

        (4)選取網(wǎng)格中密度最大的網(wǎng)格作為聚類起始點(diǎn),依據(jù)3.1 小節(jié)提出的自適應(yīng)雙密度閾值策略進(jìn)行聚類;

        (5)對(duì)邊緣稀疏網(wǎng)格依據(jù)3.2 小節(jié)提出的邊緣優(yōu)化方法進(jìn)行優(yōu)化處理,優(yōu)化處理后,標(biāo)志該類數(shù)據(jù)聚類完成;

        (6)選取剩余未聚類網(wǎng)格中密度最大的,如果該網(wǎng)格是密集網(wǎng)格,則跳至步驟(3),表示還有新的類別;如果不是密集網(wǎng)格,表示該批數(shù)據(jù)全部完成聚類。

        圖4 改進(jìn)網(wǎng)格密度聚類算法流程圖

        4 仿真實(shí)現(xiàn)及結(jié)果分析

        實(shí)驗(yàn)采用的仿真平臺(tái)為Intel CPU Q8200,3GB 內(nèi)存,操作系統(tǒng)為Windows XP,仿真軟件為Matlab R2010a。利用計(jì)算機(jī)形成脈沖描述字序列(PDW)來(lái)模擬接收機(jī)輸出的偵察數(shù)據(jù)流,針對(duì)PDW中各個(gè)參數(shù)的特點(diǎn)和分選要求,實(shí)驗(yàn)選擇其中最穩(wěn)定的3個(gè)參數(shù)PW、RF、DOA 作為特征參數(shù)進(jìn)行聚類。

        為了驗(yàn)證改進(jìn)網(wǎng)格聚類算法應(yīng)用于雷達(dá)信號(hào)分選的有效性和對(duì)噪聲脈沖的識(shí)別能力,在脈沖數(shù)據(jù)中加入了15%的噪聲脈沖。實(shí)驗(yàn)選用的雷達(dá)類型、數(shù)目、脈沖個(gè)數(shù)以及特征參數(shù)信息如表1所示,原始信號(hào)參數(shù)的歸一化二維分布如圖5所示。

        表1 偵察數(shù)據(jù)信息表

        圖5 原始信號(hào)參數(shù)歸一化分布圖

        分別利用傳統(tǒng)網(wǎng)格聚類算法和改進(jìn)網(wǎng)格聚類算法對(duì)原始數(shù)據(jù)進(jìn)行處理,數(shù)據(jù)壓縮比η=70%,仿真結(jié)果如圖6所示。

        圖6 分選結(jié)果對(duì)比圖

        由圖6(a)可以看出,傳統(tǒng)網(wǎng)格聚類算法由于閾值設(shè)置為空間中網(wǎng)格單元的平均密度,一些密度累積較大的噪聲脈沖將會(huì)被當(dāng)作真實(shí)類別而聚類。所以,傳統(tǒng)算法受噪聲脈沖影響巨大,不僅在真實(shí)聚類結(jié)果中存在大量的噪聲脈沖,而且將噪聲脈沖當(dāng)作真實(shí)類別進(jìn)行聚類,出現(xiàn)了嚴(yán)重的“增批”現(xiàn)象(如圖中的符號(hào)*代表噪聲被算法聚成許多的類)。而圖6(b)中改進(jìn)網(wǎng)格聚類算法使用了雙閾值策略,將初始聚類網(wǎng)格的閾值依據(jù)數(shù)據(jù)的離散度進(jìn)行提高,防止一些密度較大的噪聲脈沖被當(dāng)作真實(shí)脈沖而聚類。同時(shí),由于真實(shí)類別的網(wǎng)格密度(數(shù)據(jù)最密集處)要遠(yuǎn)大于改進(jìn)后的第一層密度閾值(只要大于第一層密度閾值就可以進(jìn)行聚類),所以避免了目標(biāo)丟失的現(xiàn)象。由圖可以看出,改進(jìn)后的算法能夠正確地將數(shù)據(jù)聚成4類,并且受噪聲影響較小,去除了大量散落在真實(shí)脈沖參數(shù)值之外的噪聲脈沖,取得了良好的分選效果。具體分選結(jié)果如表2、表3所示,其中分選準(zhǔn)確率為準(zhǔn)確分選的脈沖總數(shù)與實(shí)際脈沖總數(shù)之比。

        從表2、表3的統(tǒng)計(jì)結(jié)果可以看出,傳統(tǒng)網(wǎng)格聚類算法雖然用時(shí)較少,但誤分選和漏分選脈沖數(shù)目較多,并且聚類結(jié)果中存在9個(gè)由噪聲組成的類,即出現(xiàn)“增批”現(xiàn)象,對(duì)分選結(jié)果產(chǎn)生巨大影響。而改進(jìn)網(wǎng)格聚類算法雖然運(yùn)算總時(shí)間略大于傳統(tǒng)算法,但其受噪聲脈沖影響較小,不產(chǎn)生“增批”現(xiàn)象,并且聚類精度較傳統(tǒng)算法有較大提高。整體而言,改進(jìn)網(wǎng)格聚類算法對(duì)先驗(yàn)知識(shí)要求較低,受噪聲脈沖的影響較小,分選準(zhǔn)確率高,并且具備較高的運(yùn)算速率,能夠有效地完成雷達(dá)信號(hào)的分選任務(wù)。

        表2 傳統(tǒng)網(wǎng)格聚類算法分選結(jié)果

        表3 改進(jìn)網(wǎng)格聚類算法分選結(jié)果

        5 結(jié)束語(yǔ)

        本文提出了一種基于改進(jìn)網(wǎng)格聚類的動(dòng)態(tài)雷達(dá)信號(hào)動(dòng)態(tài)分選算法,算法將CluStream 數(shù)據(jù)流聚類經(jīng)典雙層框架引入雷達(dá)信號(hào)分選中,增加了整個(gè)分選系統(tǒng)的實(shí)時(shí)性。改進(jìn)了傳統(tǒng)網(wǎng)格聚類算法,通過(guò)雙密度閾值策略使聚類密度閾值更加合理化,增強(qiáng)了抗干擾能力,并且利用邊緣稀疏網(wǎng)格優(yōu)化方法進(jìn)一步提高了聚類精度。通過(guò)仿真驗(yàn)證,證實(shí)了該算法較傳統(tǒng)算法具備較高的聚類精度和抗干擾能力,適用于現(xiàn)代雷達(dá)信號(hào)分選系統(tǒng)。

        文中提出的方法雖然提高了聚類精度和抗干擾能力,但在噪聲信號(hào)密集情況下有時(shí)仍會(huì)出現(xiàn)“增批”現(xiàn)象,如何避免“增批”現(xiàn)象并且進(jìn)一步提高算法的效率還需要更加深入研究。

        [1]Davies C L,Holland P.Automatic Processing for ESM[J].IEE Proc F Commun Radar & Signal Process,1982,4(8):52-56.

        [2]Mardia H K.Adaptive Clustering for ESM[J].IEE Colloquium on Signal Processing for ESM systems,1988,62(5):149-154.

        [3]Milojevic D J,Popovic B M.Improved Algorithm for the Deinterleaving Radar Pulses[J].IEE Proceedings,Part F:Radar and Signal Processing,1992,139(1):98-104.

        [4]胡來(lái)招.平面變換用于復(fù)雜環(huán)境的信號(hào)處理[M].電子工業(yè)部29 研究所科技成果匯編,1995.

        [5]Anant Ram,Ashish Sharma,Anand S Jalall.An Enhanced Density Based Spatial Clustering of Applications with Noise[J].IEEE International Ad-vance Computing Conference,2009 (3 ):1475-1478.

        [6]Shan Shimin.Research on data stream clustering based on grid and density[D].Dalian University of Technology,2006.

        [7]Aggarwal C C,Han J,Wang J,et al.A Framework Clustering Evolving Data Streams[C]// Proc.of the 29th VLDB Conference,2003:81-92.

        [8]張國(guó)毅,王曉峰,張旭洲.基于數(shù)據(jù)流聚類的動(dòng)態(tài)信號(hào)分選框架[J].電訊技術(shù),2011,51(9):65-68.

        [9]AGGARWAL C C,HAN J,WANG J,et al.A frame work for projected clustering of high dimensional data streams[C]//Proc.of the 30th VLDB Conf,2004:852-863.

        [10]張忠平,王愛(ài)杰,陳麗萍.一種基于廣度優(yōu)先搜索的K-Means 初始化算法[J].計(jì)算機(jī)工程與應(yīng)用,2008,44(27):159-161.

        猜你喜歡
        脈沖聚類閾值
        他們使阿秒光脈沖成為可能
        脈沖離散Ginzburg-Landau方程組的統(tǒng)計(jì)解及其極限行為
        小波閾值去噪在深小孔鉆削聲發(fā)射信號(hào)處理中的應(yīng)用
        基于自適應(yīng)閾值和連通域的隧道裂縫提取
        黃芩苷脈沖片的制備
        中成藥(2017年12期)2018-01-19 02:06:54
        基于DBSACN聚類算法的XML文檔聚類
        比值遙感蝕變信息提取及閾值確定(插圖)
        河北遙感(2017年2期)2017-08-07 14:49:00
        室內(nèi)表面平均氡析出率閾值探討
        基于改進(jìn)的遺傳算法的模糊聚類算法
        一種層次初始的聚類個(gè)數(shù)自適應(yīng)的聚類方法研究
        中文字幕亚洲在线第一页| 婷婷丁香五月亚洲| 国产成人啪精品视频免费网 | 亚洲香蕉视频| 蜜桃伦理一区二区三区| 水蜜桃在线精品视频网| 免费观看18禁无遮挡真人网站| 伴郎粗大的内捧猛烈进出视频观看| a级国产精品片在线观看| 久久久精品国产老熟女| 免费观看mv大片高清| 无码人妻黑人中文字幕| 91精品国产91| 中文字幕人妻av一区二区| 18国产精品白浆在线观看免费 | 日韩在线看片| 青青青草视频手机在线| 欧美乱妇高清无乱码免费| 国产人妻人伦精品1国产盗摄| 中文人妻无码一区二区三区| 亚洲一区二区三区精品久久 | 久久久精品国产sm调教网站| 亚洲毛片在线播放| 午夜国产在线精彩自拍视频| 新婚少妇无套内谢国语播放| 亚洲中文字幕无码久久| 无码高清视频在线播放十区| 中文字幕一区二区黄色| 日本一本之道高清不卡免费| 国际无码精品| 成在线人免费视频播放| 91九色成人蝌蚪首页| 全免费a级毛片免费看网站| 国产精品美女黄色av| 男女上床免费视频网站| 丰满少妇呻吟高潮经历| 国产香蕉尹人在线视频播放| 国产成人自拍视频视频| 麻花传媒68xxx在线观看| 婷婷亚洲综合五月天小说| 亚洲二区三区在线播放|