改进的OPTICS算法在调制识别中的应用
p>P？ Y 确定聚类中心数结束
图 2 改进的 OPTICS 自适应聚类算法
新算法和文献[4]算法相比， 由于改进的 OPTICS 算法不受 数据输入顺序和聚类初始中心的影响， 所以新算法不需要用 减法聚类确定初始聚类中心， 简化了步骤， 而新算法中改进的 OPTICS 算法时间复杂度为 O(n2) ， 仅和文献[4]算法中减法聚
作者简介： 王品 （1983—） ， 男， 硕士研究生， 主研领域为信号与信息处理； 黄焱 （1964—） ， 男， 硕士生导师， 副教授。E-mail： changeyi_hao@ 收稿日期： 2009-10-12； 修回日期： 2009-11-30
142
2011， 47 （16）
1
引言
通信信号的调制识别是非合作通信领域的关键技术之
2 2.1
改进的 OPTICS 自适应聚类算法 改进的 OPTICS 算法
OPTICS （ Ordering Points To Identify the Clustering Struc-
一， 如何采用准确有效的调制识别技术， 对信号的后续处理至 关重要。在信号调制识别的诸多算法中， 基于星座图的调制 识别方法因避免了复杂的信号处理过程而成为研究的热点。 文献[1-3]针对 QPSK、 8PSK、 16QAM 等信号， 分别利用模 糊 C 均值、 减法聚类、 基于样本与核的相似性度量的动态聚类 方法对星座聚类， 这些方法的不足在于聚类中心受噪声影响 而产生较大误差， 聚类结果对聚类初始值敏感， 由于信号先验 知识少， 聚类初始值选取的主观性使聚类结果有很强的随机 性。文献[4]采用改进的 M-ADBSCAN 算法对信号进行识别， 较好地克服了以上缺点， 且能够发现不同形状的类。但在信 号星座点分布呈现多个密度级别时， M-ADBSCAN 算法正确 识别率快速下降。本文采用变密度聚类 OPTICS 的改进算法[5]， 在聚类的合并过程中进行聚类有效性分析， 减少了对数据遍 历次数。该算法不受初始聚类中心和数据顺序的影响， 简单、 高效， 在信噪比低、 观测码元较少情况下， 可以有效剔除部分 噪声， 发现密度不同的星座点聚类， 对于存在一定定时偏差的 星座， 仍能够进行重构识别， 提高了识别准确性。
信 号 ，n(t) 为 双 边 功 率 谱 密 度 为 N0 /2 的 加 性 高 斯 白 噪 声 （AWGN） 。对于数字正交调制信号，s m (t) 可表述为：
ˉ m g(t)e c m } s m (t) = A m g(t)cos(2πf c t + ϕ m) = Re{ A ˉ m 为复基带码元， ϕ m 为码元相位 式中，A m 为输入码元幅度，A
j(2πf t + ϕ )
2
式中， d min 表示各类中心点间的最短 ci 、 c j 表示类的中心点，
Uik 表示样本 x k 属于第 i 类的隶属度， 距离， sep 为聚类间的分
信 息 ，f c 为 载 频 ，g(t)(0 < t < T s) 为 持 续 时 间 为 T s 的 基 带 脉 ˉ m = A0 ，A0 为常数， ϕ m Î{2πm/M m = 冲。对于 MPSK 信号：A
由于改进的 OPTICS 算法在聚类过程中已经有效剔除了一部 分噪声点， 所以本文中各聚类中心点用各类内数据点的平均 值来表示， 为简便起见， 称改进的 OPTICS 自适应聚类算法为 新算法， 新算法流程图如图 2。
设定 Eps、 MinPts 初值 合并最大次数 P=20 按改进的 OPTICS-Plus 算法 确定聚类个数 C， 划分聚类 聚类有效性函数 S 是否最大？ N Y p=p+1 按聚 类中 心最 近点 合并 聚类 N
Computer Engineering and Applications 计算机工程与应用
2011， 47 （16）
141
改进的 OPTICS 算法在调制识别中的应用
王 品， 黄 焱 WANG Pin， HUANG Yan
解放军信息工程大学 信息工程学院， 郑州 450002 Institute of Information Engineering， Information Engineering University of PLA， Zhengzhou 450002， China WANG Pin， HUANG Yan.Application of modified OPTICS algorithm in modulation puter Engineering and Applications， 2011， 47 （16） ： 141-143. Abstract：A novel modulation recognition method is proposed.With the ability of modified OPTICS to find the distribution of database accurately， the presented clustering algorithm overcomes the shortage that the C-means clustering algorithm is sensitive to initial clustering center and sample input order.It can also find out all the meaningful clusters for datasets with varied densities.It determines the number of clusters adaptively via validity analysis.This method is applied to modulation recognition of MPSK/MAPSK signals and experiments show that the recognition method is effective． Key words： constellation； modulation identification； Ordering Points To Identify the Clustering Structure （OPTICS） ； cluster-validity analysis 摘 要： 提出了一种基于星座聚类的调制识别新方法。该算法利用改进的 OPTICS 算法能准确发现数据集分布的特性， 不仅克服
了模糊 C-均值聚类算法对初始聚类中心、 样本输入次序敏感等不足， 而且能够同时发现不同密度的聚类， 结合聚类有效性分析实 现了聚类中心目的自适应调整， 同基于 DBSCAN 的聚类算法相比， 降低了时间复杂度。将该算法用于对 MPSK/MAPSK 信号星 座重构和识别， 实验结果表明该方法是实际有效的。 关键词： 星座图； 调制识别； 通过对象排序识别聚类结构 （OPTICS） ； 聚类有效性分析 DOI： 10.3778/j.issn.1002-8331.2011.16.043 文章编号： 1002-8331 （2011） 16-0141-03 文献标识码： A 中图分类号： TP391
改进的 OPTIC有效性分析通过计算有效性指标选择最佳聚类结 果， 聚类评价方法往往与特定应用问题、 采用的聚类算法等因 [8] 素有关。 Xie-Beni （XB） 指标用隶属度和数据集结构信息来 评价聚类的有效性。这里， 假定聚类数为 C ， 聚类有效性函数 S 定义为：
Scatter plot 1.5 1.0 Quadrature 可达距离 0.5 0 0.20 0.18 0.16 0.14 0.12 0.10 0.08 0.06 0.04 0.02 0 OPTICS-Plus 算法识别结果
2.3
多密度自适应聚类算法
将改进的 OPTICS 算法和简化的聚类有效性函数相结合，
ture） 变密度聚类算法是密度聚类算法 DBSCAN[6] 的改进算 法。DBSCAN 算法利用邻域半径 ε 和最少密集点数 MinPts 两 个参数进行聚类， 通过一次扫描将相邻点快速聚集在一起， 它 可以发现任意形状的类。但该算法要求类与类之间有明显的 可区分性， 并且对参数比较敏感， 对于密度分布不均匀的数据 集合往往将密度大而且类间距离近的多个类聚集在一起， 而 把密度相对较小的类当作孤立点处理。 OPTICS 引入了核心 距离和可达距离的概念， 它比 DBSCAN 具备更为精细的刻画 能力， 克服了 DBSCAN 的缺点。下面给出一些定义： 定义 1 核心点 （core-object） 和边界点 （bounder-object） ： 如 果 ε 邻域邻居数超过某个指定阈值 MinPts， 则该点处于某个类 内， 称为核心点， 否则该点处于某个类的边界上， 称为边界点。 定义 2 核心距离 （core-distance） ： 当且仅当 p 为核心点， 则 p 包含 MinPts 个邻居的最小半径 MinPts-distance （p） 即为 p 的 核心距离。p 的核心距离是一个点成为核心点的最小邻域半径。 定义 3 可达距离 （reachability-distance） ： 当且仅当 p 是某
Computer Engineering and Applications 计算机工程与应用 当 C 未达到最优解时， S 随着 C 的增加而增大， 趋向于紧 密， 当 C 到达最优值而继续增大时， S 将会由最大值而减小。 因此取 S 随 C 的增加达到最大时的 C 值作为聚类数。
核心点 o 的 ε 邻域中的点时， 从 o 直接密度可达[5]p 的可达距离 记为 Max （core-distance （o） ， distance （o， p） ） ， p 与 o 相关的可达 距离即是从 o 直接密度可达 p 的最小距离。 OPTICS 算法用一个可达距离升序排列的有序种子队列 （OrderSeeds） 存贮待扩张的点， 并对待扩张的点的 ε 邻域按可 达距离最小的点进行扩张。但这种贪心式的扩张策略使那些 无法连向下一个稠密区域的稀疏点被多次搁置， 堆积在结果 队列的末尾， 从而这些稀疏点与稠密点的相邻关系在映射时 被分离。为弥补这一缺陷， 改进的 OPTICS 算法采用了改进的 结果重组策略： 算法为每个对象增加一个 Referrer 域， 它随可 达距离的更新而更新， 指向最近的相邻数据点， 即结果队列末 尾， 并利用它最终将稀疏点放入与之相邻的稠密区域所在的 类中， 同时， 在提取类的过程中根据最终更新的 Referrer 域将 各个类准确地提取出来。改进的 OPTICS 算法实现具体步骤 参见文献[7]。 改进的 OPTICS 算法比 OPTICS 的可达图具有更清晰的类 边界和更短的缓慢下降尾部， 在改进的结果重组织策略的作 用下， 原本堆积在尾部的稀疏点已被归入更为恰当的簇中。 进一步准确反映了数据空间的真实结构， 同时， 改进算法也没 有引入额外的时间代价。图 1 给出了改进的 OPTIS 算法对 8PSK （12 dB） 信号星座的聚类结果。
通信信号调制方式的自动识别的开题报告
通信信号调制方式的自动识别的开题报告一、选题背景随着通信技术的发展，通信信号的调制方式越来越多样化，其中常见的有ASK、FSK、PSK、QAM等调制方式，而不同的调制方式对应的信号波形特征也各不相同。
因此，开发一个能够自动识别通信信号调制方式的系统具有实用价值，可以应用于信号分类、通信设备故障诊断等领域。
二、研究目的本文旨在研究和实现一种基于深度学习的通信信号自动识别算法，实现对多种调制方式的信号波形特征进行分类识别。
通过该算法，不仅可以提高通信设备的诊断效率，还可以增强通信系统的安全性。
三、研究内容1. 调制方式的分类和识别：研究常用调制方式，了解其原理及对应的信号波形特征，建立信号分类识别模型。
2. 信号数据采集与处理：通过软件定义无线电技术采集不同调制方式的信号数据，完成数据预处理、特征提取等工作。
3. 深度学习算法的构建与应用：使用深度学习算法，如卷积神经网络（CNN）、循环神经网络（RNN）等构建针对通信信号的自动识别系统。
4. 系统测试与性能评估：通过对系统进行测试和性能评估，验证该算法在不同场景下的适用性和实用性。
四、研究意义1. 提高通信系统的安全性：通过对不同调制方式的信号波形特征进行分类识别，可以有效地防止非法信号的干扰和攻击，提高通信系统的安全性。
2. 增强通信设备的诊断效率：通过建立自动识别系统对通信信号进行分类，可以提高信号诊断的自动化程度，减少人力成本和时间消耗。
3. 探索深度学习在通信领域中的应用：深度学习技术在图像和语音识别等领域已经获得了广泛应用，本文将探索深度学习技术在通信信号识别领域中的应用，拓展深度学习的应用领域。
五、研究方法本文将采用深度学习算法，通过对通信信号的频域和时域特征进行提取和分析，将信号进行分类识别。
具体实现过程包括数据采集、数据预处理、特征提取、模型训练和测试等环节。
六、拟解决的关键问题1. 如何准确地从信号中提取有用的特征？2. 如何设计最优的信号分类识别模型？3. 如何实现算法的高效性和鲁棒性？七、可行性分析目前，深度学习算法已经被广泛应用于语音、图像等领域的信号识别，相关算法理论和实现方法已经相对成熟。
《基于机器学习算法的通信信号调制识别》范文
《基于机器学习算法的通信信号调制识别》篇一一、引言在当前的信息化时代，通信信号调制识别是无线通信领域的重要研究方向。
传统的通信信号调制识别方法通常依赖于专家经验和复杂的信号处理算法，但在复杂的电磁环境中，这些方法的准确性和效率往往受到限制。
近年来，随着机器学习算法的快速发展，其强大的模式识别和分类能力为通信信号调制识别提供了新的解决方案。
本文旨在探讨基于机器学习算法的通信信号调制识别技术，分析其原理、方法和应用。
二、机器学习算法在通信信号调制识别中的应用原理机器学习算法通过学习大量数据中的规律和模式，实现自动分类和预测。
在通信信号调制识别中，机器学习算法通过训练大量的已知调制类型的通信信号样本，学习各种调制信号的特征和模式，然后利用这些特征和模式对未知的通信信号进行调制识别。
三、常用的机器学习算法及其在通信信号调制识别中的应用1. 监督学习算法：监督学习算法通过已知标签的训练数据集进行训练，学习输入与输出之间的映射关系。
在通信信号调制识别中，可以利用已知调制类型的训练数据集训练分类器，然后对未知的通信信号进行分类。
常用的监督学习算法包括支持向量机（SVM）、决策树、神经网络等。
2. 无监督学习算法：无监督学习算法通过无标签的训练数据集学习数据的内在规律和结构。
在通信信号调制识别中，可以利用无监督学习算法对复杂的电磁环境中的通信信号进行聚类和分析，提取有用的特征和模式。
常用的无监督学习算法包括聚类分析、密度估计等。
四、基于机器学习的通信信号调制识别的实现方法基于机器学习的通信信号调制识别的实现方法主要包括以下步骤：1. 数据采集：收集各种调制类型的通信信号样本，包括不同信噪比、不同传输条件下的信号。
2. 数据预处理：对采集的通信信号进行预处理，包括去噪、特征提取等操作，提取出有用的特征和模式。
3. 训练模型：利用预处理后的数据训练机器学习模型，如神经网络、支持向量机等。
4. 模型评估：利用已知的测试数据集对训练好的模型进行评估，检验其准确性和泛化能力。
optics聚类算法matlab -回复
optics聚类算法matlab -回复关于optics聚类算法在Matlab中的应用导言：聚类算法是机器学习和数据挖掘中的重要算法之一。
而Optics算法（Ordering Points To Identify the Clustering Structure）是一种基于密度的聚类算法，在2003年被Anand et al.提出。
与其他聚类算法相比，Optics算法能够发现任意形状和大小的聚类。
本文将介绍Optics聚类算法的原理，并讨论如何使用Matlab来实现该算法。
第一节：Optics聚类算法原理Optics聚类算法是一种基于密度的聚类算法，与DBSCAN算法有一定的相似性。
该算法从一组点中构建一个特殊的有序列表，通过计算点到周围邻居点的可达距离，来刻画数据的聚类结构。
Optics算法的主要思想是将点分配到不同的邻域，根据点的可达距离来确定聚类的边界，并基于点的所在位置，将其分为不同的簇。
Optics算法的整体流程如下：1. 定义参数：设定最小邻域大小（MinPts）和聚类阈值（ε）。
2. 计算核心距离（CoreDist）：对每个点，计算其到第MinPts个邻居的距离，作为其核心距离。
3. 探索邻居：根据核心距离，选择一个未访问的点作为当前点，并查找其所有邻居。
4. 聚类扩展：对于每个邻居，计算其可达距离（ReachabilityDist）和最小可达距离（MinReachabilityDist）。
如果可达距离小于等于ε，则将当前点与邻居合并到同一簇中，并将其邻居添加到探索列表中。
5. 确定聚类边界：对于每个已聚类的点，计算其到最近的核心距离。
聚类边界定义为到最近核心距离大于ε的点。
6. 聚类结果：将所有已聚类的点划分为不同的簇。
第二节：使用Matlab实现Optics聚类算法在Matlab中，可以使用OPTICS命令来实现Optics聚类算法。
此外，还需要使用其他一些基本的数据处理和图形绘制函数。
球解码及其一种改进算法
球解码及其一种改进算法凌春红;刘陈【摘要】MSD算法给出了一种由符号检测错误概率决定的区间估计方法,并将得出的区间与SE准则下的检测区间相结合,寻求两者在调制信号星座图中的交集.仿真结果表明,该改进算法在保证解码性能的基础上,有效地降低了检测的复杂度.【期刊名称】《微型机与应用》【年(卷),期】2010(029)003【总页数】3页(P49-51)【关键词】多输入多输出;高斯分布;球解码;复杂度【作者】凌春红;刘陈【作者单位】南京邮电大学,江苏,南京,210003;南京邮电大学,江苏,南京,210003【正文语种】中文【中图分类】TN929.4多输入多输出MIMO(Multiple-InputMultiple-Output)，在发射端，各子信号同时发送到信道且占用同一频带，实现多个数据子流同时间同频带地传输。
与传统单输入单输出 (SISO)系统相比，MIMO系统能提供更大的信道容量。
然而，接收端接收到的信号在时间和频带上都是相互重叠的，导致了MIMO信号检测的高复杂度问题。
为得到较低误码率的解码效果，接收端往往采用最大似然准则(ML)检测，但该检测方案的计算量很大。
目前，球解码算法(SD)凭借其近似ML的检测性能和较低的复杂度而引起广泛的关注[1-6]。
然而，当信噪比较低、收发天线数较多、调制星座图较大时，球解码的平均复杂度仍然很高，因此，近来球解码的研究重心是如何进一步降低检测复杂度上。
本文介绍了一种球解码的改进算法。
1 无线MIMO系统模型考虑一个发射天线数为M、接收天线数为N的MIMO系统，该系统可描述如下：式中，yc是接收矢量；Hc=[hij]N×M是复值信道矩阵，hij代表从第j根发射天线到第i根接收天线的信道增益，且满足均值为0、方差为1的独立同分布复高斯分布；xc是发射符号矢量；nc是均值为 0、方差为σ2nc的复白高斯噪声。
若仅考虑N＞M时实数范围内的解码，则式(1)可等效如下：其中2 球解码算法发送向量的空间经信道矩阵H作用后生成格形空间：Λ(H)={Hx：x∈Ω}，发送符号 x可看作是格型点坐标，若将接收点y看作是受高斯噪声n干扰的格型点，则MIMO系统的ML检测可等效为在格型空间Λ(H)中寻找一个离y最近的格点由此可得MIMO系统的ML检测解：球检测法只在1个给定半径的球内检验其中的每1个格点，而不是对整个格型空间进行搜索。
一种改进的数字信号调制方式自动识别算法
ｐｉ ｂｅｔ ｔ ｉ ａ ｔａ ｃ ａ ｇｓ ｉ ｉ ｔｅｓｏ ｅｏ ｅｓ ｎ ｌｏｎ ｉ ａ Ｓ Ｒ） Ｂ一 ０ ｄ ．Ｉ ｉ ｌ ａ ｌ ｏ ｈ ｓ ｎ ｌｈ ｔ ｈ ｎｅ ｔ ｎ ｈ ｃ ｐ ｆ ｈ ｉ ａ ｔ ｏ ｅｒｔ ｃ ｅ ｇ ｗｈ ｔ ｇ ｓ ｅ（ Ｎ ５ ｄ ３ Ｂ ｔｓ
ｗｈ ｎ Ｓ ｅ ＮＲ ｓ ｏ ｅ Ｂ． ｉ ｖ ｒ７ ｄ
Ｋｅ ｒ Ｄｉｉａ ｄ ｌ ｔ ｎ Ｆｅ ｔ ｒ ａ ａ ｔｒ Ｒｅ ｏ ｎ ｔｏ Ａｌｏ ｉ ｍ ｙ ｗｏ ｄｓ ｇｔ ｍｏ ｕ ａ ｉ ｌ ｏ ａ ｕ ｅ ｐ ｒ ｍｅ ｅ ｃ ｇ ｉｉｎ ｇ ｒｔ ｈ
引
口
是在军事通信领域。随着 电子对抗技术研究的不断 升温 ， 迫切需要进行调制信号 自动识别技术的研究 ， 它被广泛应用于 ： 信号确认、 干扰识别 、 无线 电侦听 、 信号监测和威胁分析等领域 。
一
通信信号调制方式 自动识别是信号分析领域 中 个 比较新 的研 究方 向 它有 很 大 的应 用 前景 ， 尤其
Ｖ０ ． ７． ． １ ２ Ｎｏ ２
文章编号 ： １ ７０ （０ ７ ２— ０ １— ４ １ ９ ２ ２ ２０ ）０ ０ ４ ０ ０ ０—
中 图分类号 ：Ｎ １ ． Ｔ ９４３
文献标 识码 ： Ａ
一
种 改进 的数 字信 号调 制 方 式 自动 识别 算 法
王 长 宇 张 国毅 高运泉
（ ｅｔ ｆ ｖ ｔ ｎＥｅｔ ｎｃＥ ｇ ｅｒ ｇｏ ｉ ｆ ｃ ｖａｏ ｎｖｒ ｔ ， ｈ ｎｃ ｕ ３０ ２ Ｄ ｐ．ｏ ｉ ｉ ｌ ｒ ｉ ｎｉ ｅｉ ｆ ｒ ｏ ｅＡ ｉ ｉ ｕ ｉ ｓｙ Ｃ ａｇｈ ｎ１０ ２ ） Ａ ａｏ ｃｏ ｎ ｎ Ａ ｒ ｔｎ ｅｉ
一种改进残差神经网络的调制信号识别方法
Modulated signal recognition method based on improved residual neural network
CHEN Ying，LI Chisheng，ZHANG Ruiqi
（School of Information Engineering，Nanchang University，Nanchang 330031，China）
2021 年 8 月 1 日 第 44 卷第 15 期
现代电子技术 Modern Electronics Technique
54 DOI：10.16652/j.issn.1004⁃373x.2021.15.011
引用格式：陈颖，李迟生，张睿琦 . 一种改进残差神经网络的调制信号识别方法[J]. 现代电子技术，2021，44（15）：54⁃58.
Abstract：The modulated signal recognition and classification are two important parts of non⁃cooperative communication in wireless communication. The communication signal automatic modulation recognition technology based on feature extraction and pattern recognition is a key research object in the field of radio. The traditional methods are unable to classify various modulated signals and are of high computational complexity and low accuracy. However，the neural network can be used to automatically recognize the multiple modulated signals and has achieved good results. In view of this，a modulated signal recognition method based on improved residual neural network is proposed. The improved neural network can form the residual neural network with multi ⁃ flow structure by increasing its width，and utilizes the different residual blocks in the multi ⁃ flow network to extract a variety of features of the modulated signals，so as to enrich the feature types of the extracted signals and avoid over fitting caused by depth deepening. The simulation results show that the neural network framework of the proposed method is better than that of the existing methods based on deep learning，and its accuracy can reach more than 95% when the signal⁃to⁃ห้องสมุดไป่ตู้oise ratio （SNR） is 10 dB. Therefore， the proposed method can effectively improve the accuracy of automatic recognition of digital modulated signals.
改进的OPTICS算法及其在文本聚类中的应用
改进的OPTICS算法及其在文本聚类中的应用曾依灵;许洪波;白硕【摘要】基于密度的OPTICS聚类算法以可视化的结果输出方式直观呈现语料结构,但由于其结果组织策略在处理稀疏点时的局限性,算法实际性能未能得到充分发挥.本文针对此缺陷提出一种有效的结果重组织策略以辅助稀疏点的重新定位,并针对文本领域的特点改变距离度量方法,形成了OPTICS-Plus文本聚类算法.在真实文本分类语料上的实验表明,我们的结果重组织策略能够辅助算法产生更为清晰反映语料结构的可达图,与K-means算法的比较则证实了OPTICS-Plus具有较为良好的聚类性能.【期刊名称】《中文信息学报》【年(卷),期】2008(022)001【总页数】6页(P51-55,60)【关键词】计算机应用;中文信息处理;OPTICS算法;密度聚类;文本挖掘【作者】曾依灵;许洪波;白硕【作者单位】中国科学院,计算技术研究所,智能安全中心,北京,100080;中国科学院,研究生院,北京,100080;中国科学院,计算技术研究所,智能安全中心,北京,100080;中国科学院,计算技术研究所,智能安全中心,北京,100080【正文语种】中文【中图分类】TP391随着网络的飞速发展，越来越多的电子文档触手可及。
如何分析和管理大规模的文本数据成为日益急切的需求。
聚类分析作为一种重要的数据分析方法，能够很好地满足这方面的需求。
它能挖掘语料的潜在结构，将文档划分成有意义的子簇，协助人们更好地对大规模文本进行理解，同时也能作为一种有效的预处理步骤，为进一步的文本分析提供初步的语料结构。
随着信息检索的发展，它已被成功地应用到加速检索过程、文档检索结果聚类呈现、话题的自动发现、文本摘要等方面［1～3］，在文本挖掘领域扮演着日益重要的角色。
正因如此，聚类算法的相关研究一直是深受关注的热点。
一直以来，研究者对如何提高聚类算法的性能费尽心思，因为性能的好坏通常是衡量聚类算法优劣的重要标准。
改进的OPTICS算法在调制识别中的应用
－0.5 －1.0 －1.5 －1.5 －1.0 －0.5 0 0.5 In-Phase 1.0 1.5
类的时间复杂度 （ O(n2) ） 相当， 同时， 新算法在聚类有效性分 析时简化了隶属度 Uik ， 因此新算法和文献[4]算法相比降低了 时间复杂度。
图1
j(2πf t + ϕ )
2
式中， d min 表示各类中心点间的最短 ci 、 c j 表示类的中心点，
Uik 表示样本 x k 属于第 i 类的隶属度， 距离， sep 为聚类间的分
信 息 ，f c 为 载 频 ，g(t)(0 < t < T s) 为 持 续 时 间 为 T s 的 基 带 脉 ˉ m = A0 ，A0 为常数， ϕ m Î{2πm/M m = 冲。对于 MPSK 信号：A
信 号 ，n(t) 为 双 边 功 率 谱 密 度 为 N0 /2 的 加 性 高 斯 白 噪 声 （AWGN） 。对于数字正交调制信号，s m (t) 可表述为：
ˉ m g(t)e c m } s m (t) = A m g(t)cos(2πf c t + ϕ m) = Re{ A ˉ m 为复基带码元， ϕ m 为码元相位 式中，A m 为输入码元幅度，A
Computer Engineering and Applications 计算机工程与应用 当 C 未达到最优解时， S 随着 C 的增加而增大， 趋向于紧 密， 当 C 到达最优值而继续增大时， S 将会由最大值而减小。 因此取 S 随 C 的增加达到最大时的 C 值作为聚类数。
核心点 o 的 ε 邻域中的点时， 从 o 直接密度可达[5]p 的可达距离 记为 Max （core-distance （o） ， distance （o， p） ） ， p 与 o 相关的可达 距离即是从 o 直接密度可达 p 的最小距离。 OPTICS 算法用一个可达距离升序排列的有序种子队列 （OrderSeeds） 存贮待扩张的点， 并对待扩张的点的 ε 邻域按可 达距离最小的点进行扩张。但这种贪心式的扩张策略使那些 无法连向下一个稠密区域的稀疏点被多次搁置， 堆积在结果 队列的末尾， 从而这些稀疏点与稠密点的相邻关系在映射时 被分离。为弥补这一缺陷， 改进的 OPTICS 算法采用了改进的 结果重组策略： 算法为每个对象增加一个 Referrer 域， 它随可 达距离的更新而更新， 指向最近的相邻数据点， 即结果队列末 尾， 并利用它最终将稀疏点放入与之相邻的稠密区域所在的 类中， 同时， 在提取类的过程中根据最终更新的 Referrer 域将 各个类准确地提取出来。改进的 OPTICS 算法实现具体步骤 参见文献[7]。 改进的 OPTICS 算法比 OPTICS 的可达图具有更清晰的类 边界和更短的缓慢下降尾部， 在改进的结果重组织策略的作 用下， 原本堆积在尾部的稀疏点已被归入更为恰当的簇中。 进一步准确反映了数据空间的真实结构， 同时， 改进算法也没 有引入额外的时间代价。图 1 给出了改进的 OPTIS 算法对 8PSK （12 dB） 信号星的调制识别是非合作通信领域的关键技术之
改进的OPTICS算法在调制识别中的应用
Ｋｅ ｒ ｓ ｃ ｎ ｔｌ ｔ ｎ： ｄ ｌｔ ｎ ｄ ｎｉ ｃｔ ｎ； ｄ ｒ ｇ Ｐ ｉｔ ｏ ｄ ｎｉ ｅ ｕ ｔｒ ｇ Ｓｒ ｃ ｒ ＯＰ Ｉ ｙ ｗｏ ｄ ： ｏ ｓｅ１ ｉ ｍｏ ｕａｉ ｉｅ ｔ ａｉ Ｏｒｅ ｎ ｏｎｓ Ｔ Ｉｅ ｆ ｔ Ｃｌｓｅ ｎ ｔ ｔ ｅ（ Ｔ ＣＳ） ｃｕｔｒｖ ｌ ｉ ａ０ ｏ ｉ ｆ ｏ ｉ ｔ ｙｈ ｉ ｕｕ ； ｌｓｅ－ａｉ ｔ ｄｙ
ｓｔｖｅ ｏ ｎｉｉｌ ｕｓｅ ｉ ｃ ｎｔｒ ｎｄ ａ ｐｌ ｉｐｕｔ ｄ ｒＩ ｃ ｎ ｌｏ ｉｎｄ ｕｔ ｌ ｔ ｅ ｉｉ ｔ ｉ ｔａ ｃｌ ｔｒｎｇ ｅ ｅ ａ ｓ ｍ ｅ ｎ ｏｒ ｅ ．ｔ ａ ａ ｓ ｆ ｏ ａ ｌ ｈ ｍ ｅ ｎｉ ｕｌ ｕｓｅ ｓ ｏ ｄａ ａ ｅ ｓ ｉ ｒ ａ ｎｇｆ ｃｌ ｔ ｒ ｆ ｒ ｔ ｓ ｔ ｗ ｔ ｖａ — ｈ
Ｉ ｔｔ ｅ ｎｓｉ ｕｔ ｏｆ Ｉ ｏ ｍ ａ ｉ ｎ ｎｆ ｒ ｔｏ Ｅｎ ｎｅ ｒｎ Ｉ ｏ ｍ ａｉ ｎ ｇｉ ｅ ｉ ｇ，ｎｆ ｒ ｔｏ Ｅｎｇｎｅ ｒｎｇ Ｕ ｎｉ ｒ ｉ ｉ ｅｉ ｖｅ ｓｔ ｙ ｏ ｆ ＰＬＡ ， Ｚｈｅ ｇｚ ｕ ｎ ｈｏ ４识别技术 ， 对信 号 的后续处理至
ＤＯ ：０３ ７ ￣ｉｓ．０２８ ３ ． １．６ ４ 文 章 编 号 ：０ ２８ ３ （０ １ １． １ １０ 文 献 标 识 码 ： Ｉ１ ．７ ８ ． ｎ１０ ．３ １ ０ １１． ３ ｓ ２ ０ １０ ．３ １２ １ ）６０ ４ ．３ Ａ 巾 图 分 类 号 ： Ｐ ９ Ｔ ３１
１ 引言
现 了聚类 中心 目的 自适应 调整 ， 同基 于 Ｄ Ｃ ＢＳ ＡＮ的聚类算 法相 比， 降低 了时间复杂度 。将 该算 法用 于对 ＭＰ Ｋ／ Ｐ Ｋ信 号星 Ｓ ＭＡ Ｓ 座重构和识 别， 实验结 果表 明该方法是 实际有 效的。
基于改进FCM算法的信号调制方式识别陈冉
2
1 /p
（ p≥1 ）
a2 ， …， a n ） 第 i 个最大元素， 其中 b i 是（ a1 ， 则称 F 为 n 维 有序加权平均（ OWA） 算子。
2． 基于 “大多数” 的原则 和 公 式 （ 1 ） 计 算 OWA 算 子 的 权 重。
Industrial & Science Tribune 2012.（11）.21
一、 引言 通信信号的调制方式和其它信号参数是我们分析和处 理信号的基础和依据。在军用领域， 如果我们事先知晓敌方 信号的调制类型就可以估计调制参数， 进而制定有针对性的 侦察或反侦察策略； 在民用领域， 通信信号调制方式的识别 干扰识别、 频谱监测等无线电日常工作的 有助于信号确认、 顺利进行。 FCM 算法虽然具有较好的理论基础并得到了广泛的应 “噪声” 可其本身也存在对 和孤立数据敏感， 算法的结果与 用， 初始质心有关， 很大程度上取决于参数初值选取； 容易陷入局 部极值点而导致得不到最优解等缺点和不足。另外 Hamming Euclid 距离都可以归结为基于向量 p 范数的 Minkowski 距离、 。 距离 经过研究发现， 当 p 取不同的数值时， 聚类的效果也会 随之发生变化， 即聚类的分析的结果受 p 值大小的影响。当 p = 2 时，Minkowski 距离退化为 Euclid 距离， 欧氏距离是最常 用的距离计算方法。但是， 欧氏距离的聚类算法大多只能发 现低维空间中呈超球状分布的数据，并且对数据集中的噪声 比较敏感。当 p→∞ 时，Minkowski 距离演变为 Sup 距离； 当 p = 1 时， Minkowski 距 离 演 变 为 Hamming 距 离。 研 究 表 明， Hamming 距离可以有效提高模糊聚类算法对噪声或例外点的 鲁棒性， 可是对信号调制方式数据的聚类效果不是太好。 为了使传统 FCM 算法能够对信号调制方式的识别率达 到更高， 我们在本文中对传统的 FCM 算法作出改进， 提出一 通过实验表明了此 种基于距离加权的模糊 C 均值聚类算法， 种方法具有更好的信号识别率 。 二、 基于 OWA 的距离加权算子 （ 一） OWA 算子。有序加权平均（ OWA ） 算子是 Yager R 于 1988 年提出的，用于有效地融合多组模糊的和不确定的 信息， 其主要描述如下。