CN108734188A - 一种聚类方法、设备及存储介质 - Google Patents

一种聚类方法、设备及存储介质 Download PDF

Info

Publication number
CN108734188A
CN108734188A CN201710278376.2A CN201710278376A CN108734188A CN 108734188 A CN108734188 A CN 108734188A CN 201710278376 A CN201710278376 A CN 201710278376A CN 108734188 A CN108734188 A CN 108734188A
Authority
CN
China
Prior art keywords
cluster
value
cluster centre
centres
input data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710278376.2A
Other languages
English (en)
Other versions
CN108734188B (zh
Inventor
杨振
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZTE Corp
Original Assignee
ZTE Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ZTE Corp filed Critical ZTE Corp
Priority to CN201710278376.2A priority Critical patent/CN108734188B/zh
Priority to PCT/CN2018/083651 priority patent/WO2018196673A1/zh
Publication of CN108734188A publication Critical patent/CN108734188A/zh
Application granted granted Critical
Publication of CN108734188B publication Critical patent/CN108734188B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种聚类方法、设备及存储介质。其中该聚类方法包括：确定待分析数据的所有聚类中心的初始值；判断第一输入数据所归属的聚类中心，并根据判断结果更新第一聚类中心以及根据预设其他聚类中心与第一聚类中心之间的映射关系更新其他聚类中心。本发明通过利用数据源的先验信息，可以准确地确定各个聚类中心的位置，满足通信系统对于高实时性的需要。

Description

一种聚类方法、设备及存储介质
技术领域
本发明涉及通信技术领域，特别是涉及一种聚类方法、设备及存储介质。
背景技术
在无线通信系统中，接收信号的星座图会因为受到衰落信道、干扰和噪声的影响而发生变形，如图1所示。
为了对接收信号进行纠正，通常情况下，需要借助于参考信号来进行信道估计，得出信道的幅度和相位。由于发射参考信号需要消耗部分时频资源，导致可用于数据传输的资源减少，参见图2所示的OFDM(Orthogonal Frequency Division Multiplexing，正交频分复用)通信系统中数据和参考信号复用的示例。另一方面，在低信噪比条件下，参考信号信道估计的可靠性不高，可能导致对接收信号的纠正不够精确，甚至产生相反的作用。
而另一种非常规的纠正方法是星座图盲检测，即不依赖参考信号。该种方法的检测仅通过对接收数据做数学分析，即可得到信道平均的幅度和相位信息。图3以OFDM通信系统为例给出了无参考信号的数据传输示例。通常数据资源的数量远大于参考信号所使用的资源数量，因此只要方法得当，由此得到的平均的信道幅度和相位信息精度甚至高于基于参考信号的方案。同时，节省出的原本用于发送参考信号的资源可以发送额外的用户数据，提高业务速率；或者可以降低编码的码率，提高传输的可靠性。
然而目前的星座图盲检测的核心是数据分析方法，它的性能直接决定了最终的效果。该数据分析方法功能是从杂乱无章的接收信号散点图中确定正确星座点(聚类中心)的位置，并据此确定每个散点的归属。因此，如何快速收敛确定正确的聚类中心是数据分析的关键所在。
发明内容
本发明提供一种聚类方法、设备及存储介质，以解决现有技术的星座图盲检测无法快速确定正确的聚类中心的问题。
为实现上述发明目的，本发明采用下述的技术方案：
依据本发明的一个方面，提供一种聚类方法，包括：
确定待分析数据的所有聚类中心的初始值；
判断第一输入数据所归属的聚类中心，并根据判断结果更新第一聚类中心的值以及根据其他聚类中心与第一聚类中心之间的映射关系更新其它聚类中心的值。
可选的，所述方法还包括：
根据更新后的所有聚类中心的值，判断下一输入数据所归属的聚类中心，并根据判断结果更新所述第一聚类中心的值以及根据所述映射关系更新其他聚类中心的值，重复该步骤，直至根据最后一输入数据的归属完成所有聚类中心值的更新。
可选的，所述确定待分析数据的所有聚类中心的初始值，包括：
将第一输入数据作为第一聚类中心的初始值，根据所述映射关系确定其他聚类中心的初始值。
可选的，在判断输入数据所归属的聚类中心时，包括：
判断所述输入数据与所有聚类中心的距离；
选取距离最近的聚类中心为所述输入数据所归属的聚类中心。
可选的，所述根据判断结果更新所述第一聚类中心的值，包括：
根据所述第一聚类中心与输入数据所归属的聚类中心的映射关系计算所述输入数据在所述第一聚类中心的镜像值；
将该镜像值与之前所有输入数据在所述第一聚类中心的镜像值做和值处理；
获取聚类中心的更新次数，更新所述第一聚类中心的值为所述和值与所述更新次数的比值。
可选的，所述方法还包括：
当所有聚类中心的值根据所有输入数据的归属更新完成一次后，将迭代次数加1，当所述迭代次数小于预设的最大迭代次数时，则将更新后的所有聚类中心的值作为初始值，继续依序判断所有输入数据的归属，并根据所有输入数据的归属对所有聚类中心的值再更新一次，重复该步骤；当所述迭代次数等于所述最大迭代次数时，则停止迭代更新。
依据本发明的一个方面，提供一种聚类设备，包括存储器和处理器，所述处理器用于执行所述存储器中存储的聚类程序，以实现以下步骤：
确定待分析数据的所有聚类中心的初始值；
判断第一输入数据所归属的聚类中心，并根据判断结果更新第一聚类中心的值以及根据其他聚类中心与第一聚类中心之间的映射关系更新其它聚类中心的值。
可选的，所述处理器用于执行所述存储器中存储的聚类程序，以实现以下步骤：
根据更新后的所有聚类中心的值，判断下一输入数据所归属的聚类中心，并根据判断结果更新所述第一聚类中心的值以及根据所述映射关系更新其他聚类中心的值，重复该步骤，直至根据最后一输入数据的归属完成所有聚类中心值的更新。
可选的，所述处理器用于执行所述聚类程序，以实现以下步骤：
将第一输入数据作为第一聚类中心的初始值，根据所述映射关系确定其他聚类中心的初始值。
可选的，所述处理器用于执行所述聚类程序，以实现以下步骤：
判断所述输入数据与所有聚类中心的距离；
选取距离最近的聚类中心为所述输入数据所归属的聚类中心。
可选的，所述处理器用于执行所述聚类程序，以实现以下步骤：
根据所述第一聚类中心与输入数据归属聚类中心的映射关系计算所述输入数据在所述第一聚类中心的镜像值；
将该镜像值与之前所有输入数据在所述第一聚类中心的镜像值做和值处理；
获取聚类中心的更新次数，更新所述第一聚类中心的值为所述和值与所述更新次数的比值。
可选的，所述处理器还用于执行所述聚类程序，以实现以下步骤：
当所有聚类中心的值根据所有输入数据的归属更新完成一次后，将迭代次数加1，当所述迭代次数小于预设的最大迭代次数时，则将更新后的所有聚类中心的值作为初始值，继续依序判断所有输入数据的归属，并根据所有输入数据的归属对所有聚类中心的值再更新一次，重复该步骤；当所述迭代次数等于所述最大迭代次数时，则停止迭代更新。
依据本发明的一个方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述的聚类方法。
本发明有益效果如下：
本发明实施例所提供的聚类方法、设备及存储介质，适用于已知聚类中心之间存在固定映射关系的聚类分析，通过判断输入数据的归属，根据该映射关系对所有的聚类中心进行更新。本发明通过利用数据的先验信息，可以准确地确定各个聚类中心的位置，满足通信系统对于高实时性的需要。该方法简单可靠，非常便于硬件实现。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或现有中的方案，下面将对实施例或现有描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为QPSK(Quadrature Phase Shift Keyin，正交相移键控)调制信号受无线信道影响发生变化的示意图；
图2为OFDM通信系统包含参考信号的资源映射示意图；
图3为OFDM通信系统不包含参考信号的资源映射示意图；
图4为本发明一实施例所提供的聚类方法的流程示意图；
图5为本发明一具体实施例中聚类方法的流程图；
图6为本发明一实施例中对BPSK信号盲检测的应用效果图；
图7为本发明一实施例中根据盲检测结果对BPSK信号进行相位和幅度纠正后的输出示意图；
图8为本发明一实施例中对QPSK信号盲检测的应用效果图；
图9为本发明一实施例中对根据盲检测结果对QPSK信号进行相位和幅度纠正后的输出示意图；
图10为本发明一实施例所提供的聚类设备的结构原理框图。
具体实施方式
以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不限定本发明。
目前的用于星座图盲检测的数据分析方法，从功能描述可以看出它符合质心聚类(Centroid-based clustering)的思想，然而将现有的一些质心聚类方法应用到星座图盲检测时是存在一些缺陷。例如最典型的k-means算法。k-means算法迭代次数多，收敛缓慢，并不适合高实时性需求的通信系统。类似的还有k-medoids算法也存在k-means算法的缺陷。并且通用的质心聚类算法中对于数据源的假设是完全随机的，即在数据处理中不存在对于数据源先验信息的利用，导致聚类归属是不准确的。
基于此，提出本发明所提供的用于星座图盲检测的聚类方法。本发明通过采用数据源的先验信息可以实现快速收敛，并且该方法无需多次迭代，满足系统的时效性是很有必要的。下面结合附图对本发明的技术内容进行相应介绍。
方法实施例
根据本发明的实施例，提供了一种聚类方法，图4为本发明实施例的聚类方法的流程图，根据本发明实施例的聚类方法包括如下处理：
步骤401，确定待分析数据的所有聚类中心的初始值。
优选地，在执行步骤401之前，需要预设存储其他聚类中心与第一聚类中心的映射关系。
在M-PSK(M-ary phase-shift keying，多元移相键控)调制的通信系统中，星座图中的点通常符合一定的位置关系，根据该位置关系可以确定聚类中心之间的映射关系，例如在BPSK(Binary Phase Shift Keying，二进制相移键控)中星座图的星座点分别为和则聚类中心为映射关系为c2＝-c1；再例如，在QPSK中星座图中的星座点正交分布于四个象限中，分别为：四个聚类中心同样符合的映射关系，可以表示为c1＝c1，c3＝-c1，对于其他M-PSK的星座图中的星座点的位置也是固定的，同样其他聚类中心可以通过第一聚类中心进行表示，这里不再进行赘述。
其中，在获取所有聚类中心的初始值时，通常采用随机选取的方式，但是该种方法收敛性往往很差，影响最终的聚类结果。因此，可选的，本发明的一个实施例中，通过如下方式确定所有聚类中心的初始值：
将第一输入数据作为第一聚类中心的初始值，根据其他聚类中心与第一聚类中心的映射关系确定其他聚类中心的初始值。
可知，由于基于M-PSK调制的通信系统中，聚类中心之间是存在一定的映射关系的，因此，根据该映射关系来选取初始值，可以有效提高聚类的准确性。
步骤402，判断第一输入数据所归属的聚类中心，并根据判断结果更新第一聚类中心的值以及根据其他聚类中心与第一聚类中心之间的映射关系更新其它聚类中心的值。
可选的，在步骤402中，在判断输入数据所归属的聚类中心时，可采用欧式距离和余弦相似度来判断。其中，优选地，根据输入数据与聚类中心的距离来判断，具体包括：
判断输入数据与所有聚类中心的距离；
选取距离最近的聚类中心为输入数据归属的聚类中心。
上述提到，其他聚类中心与第一聚类中心存在映射关系的，因此，第一聚类中心与其他聚类中心之间是存在映射关系，也就是其他聚类中心与第一聚类中心映射关系的镜像。第一聚类中心可通过其他聚类中心进行表示。因此，可选的，在根据输入数据归属的聚类中心的结果来更新所有的聚类中心的值时，具体包括如下：
根据第一聚类中心与输入数据归属聚类中心的映射关系计算输入数据在第一聚类中心的镜像值；
将该镜像值与之前所有输入数据在第一聚类中心的镜像值做和值处理；
获取聚类中心的更新次数，更新第一聚类中心后的值为该和值与更新次数的比值。
在更新完第一聚类中心的值后，根据其他聚类中心与第一聚类中心的关系，可实现所有聚类中心值的更新。其中，将该镜像值与之前所有输入数据在第一聚类中心的镜像值做和值处理，可通过累加器实现，这里预先设置累加器初始值为零。具体地，获取上一次累加器的值，计算上一次累加器的值与镜像值的和值，并将该和值更新到本地累加器中。而聚类中心的更新次数可通过计数器实现，需要初始化计数器的值为1。在更新的第一聚类中心的值时，获取上一次计数器的值，将上一次累加器的值与镜像值的和值与上一次计数器值的比值更新至第一聚类中心中，而后设置本次计数器为上一次计数器的值加1。
进一步地，为了进一步提高数据的收敛性，在根据第一输入数据完成所有聚类中心值的更新之后，继续根据输入的的分析数据完成所有聚类中心值的更新。具体地，该方法还包括步骤403：
根据更新后的所有聚类中心的值，判断下一输入数据所归属的聚类中心，并根据判断结果更新第一聚类中心的值，根据映射关系更新其他聚类中心的值，重复该步骤，直至根据最后一输入数据的归属完成所有聚类中心值的更新。
这里，对于根据判断结果更新第一聚类中心和其他聚类中心值的过程，参考步骤402中的介绍，这里不再进行赘述。
进一步地，为了提高聚类的准确度，本发明一实施例中，还可以根据上述的方法进行多次迭代计算，具体包括：
预先设置最大迭代次数；
当所有聚类中心的值根据所有输入数据的归属更新完成一次后，将迭代次数加1；判断迭代次数加1后的值是否小于最大迭代次数，当该迭代次数小于最大迭代次数时，则根据更新后的所有聚类中心的值作为初始值，继续判断所有输入数据的归属，并根据所有输入数据的归属对所有聚类中心的值再更新一次，重复该步骤；当迭代次数等于所述最大迭代次数时，则停止迭代更新。
这里，当聚类中心的值根据所有输入数据的归属更新完成一次后，即迭代一次。而迭代次数小于最大迭代次数，则继续判断所有数据的归属，并对所有聚类中心的值再更新一次。再迭代时，需要将上一次所有聚类中心的值作为初始值，并根据步骤402和步骤403中的步骤再完成一次聚类中心值的更新。按照该方法直至满足最大迭代次数为止。需要说明的是，由于迭代次数越多，算法的性能越好，但是则需要更多的处理时间。在实际应用中，应综合考虑性能和开销来确定算法迭代次数。
以下结合附图和具体的实施例，对本发明的技术方案进行详细说明。
图5是本发明实施例的聚类方法的详细处理的流程图，如图5所示，本发明实施例预设聚类中心的映射关系，利用数据源的先验信息以达到聚类准确的目的。在该实施例中假设已知当前待分析数据的聚类中心个数为K，K个聚类中心定义为c1,c2,...,cK。其他聚类中心与第一聚类中心之间存在着固定的映射关系ck＝f1→k(c1)，第一聚类中心与其他聚类中心之间存在映射关系的镜像关系1≤k≤K；其中，f1→k表示c1到ck的映射函数，表示f1→k的反函数。这里，待处理的数据为d1,d2,...,dN，数据的个数为N，设置算法最大迭代次数为M。本发明实施例的聚类方法实施步骤具体包括如下：
步骤501，设置算法最大迭代次数M；
步骤502，初始化算法迭代次数m＝1，计数器cnt＝1，累加器sum＝0；
步骤503，将数据d1赋值给c1，并根据ck和c1的映射关系ck＝f1→k(c1)为ck赋值；
步骤504，初始化数据索引n＝1；
步骤505，计算数据dn和所有聚类中心c1,c2,...,cK的距离，并判定dn与哪一个聚类中心最近，这里，假设dn与ck距离最近；
步骤506，根据的镜像关系，计算dn在第一个聚类中心c1处的镜像并更新累加器
步骤507，更新第一个聚类中心并根据ck和c1的映射关系ck＝f1→k(c1)更新ck；
步骤508，更新计数器cnt＝cnt+1，数据索引n＝n+1；
步骤509，如果n≤N，返回步骤505；否则执行步骤510；
步骤510，如果m＜M，更新迭代次数m＝m+1，返回步骤504；否则算法结束。
下面分别以基于BPSK调制和QPSK调制的通信系统为例，对本发明实施例的上述技术方案进行举例说明。
首先介绍下应用于基于BPSK调制的聚类方法。在BPSK调制时，正确星座点的位置为和则其他聚类中心与第一聚类中心之间映射关系，如表1所示：
表1
在本实施例中，迭代次数设置为M＝1，则聚类方法的实施过程，包括如下步骤：
步骤601，初始化累加器sum＝0；
步骤602，给聚类中心赋初值：c1＝d1，c2＝-c1
步骤603，初始化数据索引n＝1；
步骤604，计算数据dn和c1,c2的欧氏距离，并判定dn与哪一个聚类中心最近；
步骤605，如果dn距离c1更近，则sum＝sum+dn；否则sum＝sum-dn；
步骤606，更新聚类中心c2＝-c1；
步骤607，更新数据索引n＝n+1；
步骤608，如果n≤N，返回步骤604；否则算法结束；
如图6所示，图中显示了本发明对BPSK信号盲检测的应用效果。仅通过一次聚类方法，获得的聚类中心。如图7所示，图中显示了根据盲检测结果对BPSK信号进行相位和幅度纠正后的输出。由于星座图受到衰落信道、干扰和噪声的影响而发生变形，基于图7可知，通过本发明聚类方法对BPSK信号进行纠正后，对星座图进行了有效的恢复。
其次，介绍下应用于基于QPSK调制的聚类方法。对于QPSK调制，正确星座点的位置分别为 则其他聚类中心与第一聚类中心之间映射关系如表2所示：
表2
在本实施例中，迭代次数设置为M＝2，则聚类方法的实施过程，包括如下步骤：
步骤801，设置算法最大迭代次数2；
步骤802，初始化算法迭代次数m＝1，计数器cnt＝1，累加器sum＝0；
步骤803，给所有聚类中心赋初值c1＝d1，c3＝-c1，
步骤804，初始化数据索引n＝1；
步骤805，计算数据dn和c1,c2,c3,c4的距离，并判定dn与哪一个聚类中心最近；
步骤806，如果dn距离c1更近，则sum＝sum+dn；如果dn距离c2更近，则如果dn距离c3更近，则sum＝sum-dn；如果dn距离c4更近，则
步骤807，更新聚类中心c3＝-c1，
步骤808，更新计数器cnt＝cnt+1，数据索引n＝n+1；
步骤809，如果n≤N，返回步骤805；否则，执行步骤810；
步骤810，如果m＜2，更新迭代次数m＝m+1，返回步骤804；否则算法结束。
如图8所示，图中显示了本发明对QPSK信号盲检测的应用效果。仅通过两次迭代方法，获得的聚类中心。如图9所示，图中显示了根据盲检测结果对QPSK信号进行相位和幅度纠正后的输出。基于图9可知，通过本发明聚类方法对QPSK信号进行纠正后，对星座图进行有效的恢复。可知，本发明实施例所提供的聚类方法对接收信号进行有效的纠正，并且本发明复杂度低，迭代次数少，可以保证快速的收敛，满足收发机时效性要求。
综上所述，本发明实施例提供的聚类方法，适用于已知聚类中心之间存在固定映射关系的聚类分析，通过判断输入数据的归属，根据该映射关系对所有的聚类中心进行更新；而后在根据更新的后聚类中心判断下一数据的归属继续再对所有聚类中心进行更新。通过本发明能高效地通过对数据做数值分析就准确且快速得出各个聚类中心的位置，同时可直接获取各输入数据所属的归类，满足通信系统对于高实时性的需要。另外，本发明中的聚类方法还具有以下优点：收敛速度快，可用于高实时性的系统；数据串行输入串行输出，有利于硬件实现；算法收敛性好，对初始值设定不敏感。
设备实施例
根据本发明的实施例，提供了一种聚类设备，如图10所示。该聚类设备括处理器12以及存储有处理器12可执行指令的存储器11。其中，处理器12可以是通用处理器，例如中央处理器(central processing unit，CPU)，还可以是数字信号处理器(digital signalprocessor，DSP)、专用集成电路(application specific integrated circuit，ASIC)，或者是被配置成实施本发明实施例的一个或多个集成电路。存储器11，用于存储程序代码，并将该程序代码传输给CPU。存储器11可以包括易失性存储器(volatile memory)，例如随机存取存储器(random access memory，RAM)；存储器11也可以包括非易失性存储器(non-volatile memory)，例如只读存储器11(read-only memory，ROM)、快闪存储器(flashmemory)、硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)；存储器11还可以包括上述种类的存储器的组合。
本发明实施例所提供的聚类设备中存储器11存储有聚类程序。其中，在该聚类程序中，预设存储有其他聚类中心与第一聚类中心的映射关系以及该映射关系的镜像(第一聚类中心和其他聚类中心的映射关系)。处理器12用于存储器11中的聚类程序，以实现如下步骤：
确定待分析数据的所有聚类中心的初始值；
判断第一输入数据所归属的聚类中心，并根据判断结果更新第一聚类中心的值以及根据其他聚类中心与第一聚类中心之间的映射关系更新其它聚类中心的值。
可选的，处理器12用于存储器11中的聚类程序，以实现如下步骤：
根据更新后的所有聚类中心的值，判断下一输入数据所归属的聚类中心，并根据判断结果更新第一聚类中心的值，根据映射关系更新其他聚类中心的值，重复该步骤，直至根据最后一输入数据的归属完成所有聚类中心值的更新。
可选的，获取所有聚类中心的初始值时，处理器12用于执行聚类程序，以实现以下步骤：
将第一输入数据作为第一聚类中心的初始值，根据映射关系确定其他聚类中心的初始值。
可知，由于基于M-PSK调制的通信系统中，聚类中心之间是存在一定的映射关系的，因此，根据该映射关系来选取初始值，可以有效确保聚类的准确性。
可选的，在判断输入数据所归属的聚类中心的值时，处理器12用于执行聚类程序，以实现以下步骤：
判断输入数据与所有聚类中心的距离；
选取距离最近的聚类中心为输入数据所归属的聚类中心。
可选的，根据判断结果更新第一聚类中心时，处理器12用于执行聚类程序，以实现以下步骤：
根据第一聚类中心与输入数据归属聚类中心的映射关系计算输入数据在第一聚类中心的镜像值；
将该镜像值与之前所有输入数据在第一聚类中心的镜像值做和值处理；
获取聚类中心的更新次数，更新第一聚类中心的值为和值与更新次数的比值。
可选的，处理器12还用于执行聚类程序，以实现以下步骤：
当所有聚类中心的值根据所有输入数据的归属更新完成一次后，将迭代次数加1，当迭代次数小于预设的最大迭代次数时，则将更新后的所有聚类中心的值作为初始值，继续依序判断所有输入数据的归属，并根据所有输入数据的归属对所有聚类中心的值再更新一次，重复该步骤；当迭代次数等于最大迭代次数时，则停止迭代更新。
基于上述可知，本发明实施例所提供的聚类设备，适用于已知聚类中心之间存在固定映射关系的聚类分析。通过本发明能高效地通过对数据做数值分析就准确且快速得出各个聚类中心的位置，同时可直接获取各输入数据所属的归类，满足通信系统对于高实时性的需要。另外，本发明中的聚类设备收敛速度快，非常用于高实时性的系统；数据串行输入串行输出，有利于硬件实现。
存储介质实施例
本发明实施例还提供了一种计算机可读存储介质。这里的计算机可读存储介质存储有一个或者多个程序。其中，计算机可读存储介质可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器还可以包括上述种类的存储器的组合。当计算机可读存储介质中所述一个或者多个程序可被一个或者多个处理器执行，以实现方法实施例中所提供的聚类方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。
虽然通过实施例描述了本申请，本领域的技术人员知道，本申请有许多变形和变化而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (13)

1.一种聚类方法，其特征在于，包括：
确定待分析数据的所有聚类中心的初始值；
判断第一输入数据所归属的聚类中心，并根据判断结果更新第一聚类中心的值以及根据其他聚类中心与第一聚类中心之间的映射关系更新其它聚类中心的值。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
根据更新后的所有聚类中心的值，判断下一输入数据所归属的聚类中心，并根据判断结果更新所述第一聚类中心的值以及根据所述映射关系更新其他聚类中心的值，重复该步骤，直至根据最后一输入数据的归属完成所有聚类中心值的更新。
3.如权利要求1所述的方法，其特征在于，所述确定待分析数据的所有聚类中心的初始值，包括：
将第一输入数据作为第一聚类中心的初始值，根据所述映射关系确定其他聚类中心的初始值。
4.如权利要求2所述的方法，其特征在于，在判断输入数据所归属的聚类中心时，包括：
判断所述输入数据与所有聚类中心的距离；
选取距离最近的聚类中心为所述输入数据所归属的聚类中心。
5.如权利要求2所述的方法，其特征在于，所述根据判断结果更新所述第一聚类中心的值，包括：
根据所述第一聚类中心与输入数据所归属的聚类中心的映射关系计算所述输入数据在所述第一聚类中心的镜像值；
将该镜像值与之前所有输入数据在所述第一聚类中心的镜像值做和值处理；
获取聚类中心的更新次数，更新所述第一聚类中心的值为所述和值与所述更新次数的比值。
6.如权利要求2～4任一项所述的方法，其特征在于，所述方法还包括：
当所有聚类中心的值根据所有输入数据的归属更新完成一次后，将迭代次数加1，当所述迭代次数小于预设的最大迭代次数时，则将更新后的所有聚类中心的值作为初始值，继续依序判断所有输入数据的归属，并根据所有输入数据的归属对所有聚类中心的值再更新一次，重复该步骤；当所述迭代次数等于所述最大迭代次数时，则停止迭代更新。
7.一种聚类设备，其特征在于，包括存储器和处理器，所述处理器用于执行所述存储器中存储的聚类程序，以实现以下步骤：
确定待分析数据的所有聚类中心的初始值；
判断第一输入数据所归属的聚类中心，并根据判断结果更新第一聚类中心的值以及根据其他聚类中心与第一聚类中心之间的映射关系更新其它聚类中心的值。
8.如权利要求7所述的聚类设备，其特征在于，所述处理器用于执行所述存储器中存储的聚类程序，以实现以下步骤：
根据更新后的所有聚类中心的值，判断下一输入数据所归属的聚类中心，并根据判断结果更新所述第一聚类中心的值以及根据所述映射关系更新其他聚类中心的值，重复该步骤，直至根据最后一输入数据的归属完成所有聚类中心值的更新。
9.如权利要求7所述的聚类设备，其特征在于，所述处理器用于执行所述聚类程序，以实现以下步骤：
将第一输入数据作为第一聚类中心的初始值，根据所述映射关系确定其他聚类中心的初始值。
10.如权利要求8所述的聚类设备，其特征在于，所述处理器用于执行所述聚类程序，以实现以下步骤：
判断所述输入数据与所有聚类中心的距离；
选取距离最近的聚类中心为所述输入数据所归属的聚类中心。
11.如权利要求8所述的聚类设备，其特征在于，所述处理器用于执行所述聚类程序，以实现以下步骤：
根据所述第一聚类中心与输入数据归属聚类中心的映射关系计算所述输入数据在所述第一聚类中心的镜像值；
将该镜像值与之前所有输入数据在所述第一聚类中心的镜像值做和值处理；
获取聚类中心的更新次数，更新所述第一聚类中心的值为所述和值与所述更新次数的比值。
12.如权利要求8～11任一项所述的聚类设备，其特征在于，所述处理器还用于执行所述聚类程序，以实现以下步骤：
当所有聚类中心的值根据所有输入数据的归属更新完成一次后，将迭代次数加1，当所述迭代次数小于预设的最大迭代次数时，则将更新后的所有聚类中心的值作为初始值，继续依序判断所有输入数据的归属，并根据所有输入数据的归属对所有聚类中心的值再更新一次，重复该步骤；当所述迭代次数等于所述最大迭代次数时，则停止迭代更新。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1～6任一项所述的方法。
CN201710278376.2A 2017-04-25 2017-04-25 一种聚类方法、设备及存储介质 Active CN108734188B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710278376.2A CN108734188B (zh) 2017-04-25 2017-04-25 一种聚类方法、设备及存储介质
PCT/CN2018/083651 WO2018196673A1 (zh) 2017-04-25 2018-04-19 一种聚类方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710278376.2A CN108734188B (zh) 2017-04-25 2017-04-25 一种聚类方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN108734188A true CN108734188A (zh) 2018-11-02
CN108734188B CN108734188B (zh) 2023-04-07

Family

ID=63919429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710278376.2A Active CN108734188B (zh) 2017-04-25 2017-04-25 一种聚类方法、设备及存储介质

Country Status (2)

Country Link
CN (1) CN108734188B (zh)
WO (1) WO2018196673A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381163A (zh) * 2020-11-20 2021-02-19 平安科技（深圳）有限公司 一种用户聚类方法、装置及设备
CN112883963A (zh) * 2021-02-01 2021-06-01 合肥联宝信息技术有限公司 一种定位校正方法、设备及计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101764786A (zh) * 2009-12-11 2010-06-30 西安电子科技大学 基于聚类算法的mqam信号识别方法
US20120143856A1 (en) * 2009-08-18 2012-06-07 Osaka Prefecture University Public Corporation Method for detecting object
WO2016180410A1 (de) * 2015-05-13 2016-11-17 Ls Telcom Ag Verfahren und vorrichtung zur automatischen klassifikation des modulationsformats eines digital modulierten signals
CN106250853A (zh) * 2016-07-29 2016-12-21 桂林电子科技大学 基于聚类与粒子群重构星座图的信号识别方法与系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799809B (zh) * 2009-02-10 2011-12-14 中国移动通信集团公司 数据挖掘方法和数据挖掘系统
US9351172B2 (en) * 2014-07-31 2016-05-24 Viavi Solutions Uk Limited Techniques for estimating a coverage area for a distributed antenna system (DAS) or a repeater system
CN106408134A (zh) * 2016-10-13 2017-02-15 国电南瑞科技股份有限公司 一种基于k‑means算法的电动汽车应急供电方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120143856A1 (en) * 2009-08-18 2012-06-07 Osaka Prefecture University Public Corporation Method for detecting object
CN101764786A (zh) * 2009-12-11 2010-06-30 西安电子科技大学 基于聚类算法的mqam信号识别方法
WO2016180410A1 (de) * 2015-05-13 2016-11-17 Ls Telcom Ag Verfahren und vorrichtung zur automatischen klassifikation des modulationsformats eines digital modulierten signals
CN106250853A (zh) * 2016-07-29 2016-12-21 桂林电子科技大学 基于聚类与粒子群重构星座图的信号识别方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
穆肇南: "海量数据信息中的迭代聚类过程的改进研究", 《科技通报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381163A (zh) * 2020-11-20 2021-02-19 平安科技（深圳）有限公司 一种用户聚类方法、装置及设备
CN112381163B (zh) * 2020-11-20 2023-07-25 平安科技（深圳）有限公司 一种用户聚类方法、装置及设备
CN112883963A (zh) * 2021-02-01 2021-06-01 合肥联宝信息技术有限公司 一种定位校正方法、设备及计算机可读存储介质
CN112883963B (zh) * 2021-02-01 2022-02-01 合肥联宝信息技术有限公司 一种定位校正方法、设备及计算机可读存储介质

Also Published As

Publication number Publication date
WO2018196673A1 (zh) 2018-11-01
CN108734188B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110971560B (zh) 一种qam信号调制方法、装置及电子设备
CN107404450B (zh) 解调信号的方法及装置
CN103124250A (zh) 接收设备、信号处理设备以及信号处理方法
Shilong et al. Particle filtering based single-channel blind separation of co-frequency MPSK signals
CN108734188A (zh) 一种聚类方法、设备及存储介质
CN114726702A (zh) 信道频偏的估计和补偿方法及装置
CN111641420A (zh) 信号检测与捕获方法、装置、接收机及存储介质
CN108173788A (zh) 一种基于ofdm无线系统的信道估计方法及其系统
JP7253286B2 (ja) 変調信号の周期的自己相関関数の対称なピーク値に基づくスペクトル検知方法
CN107800511B (zh) 一种多级编码调制系统映射方法及装置
WO2024036933A1 (zh) 检测译码方法、装置、计算机设备及可读存储介质
Basrak Limit theorems for the inductive mean on metric trees
CN106301486B (zh) 近场通信中的帧位检测器
CN114006798A (zh) 一种信号处理方法、装置、电子设备及存储介质
CN112187684B (zh) 软解调方法、装置、接收机以及存储介质
CN115034255A (zh) 一种具有注意力机制时间卷积网络的信号调制识别算法
CN111162858B (zh) 一种分段信号同步方法、装置、终端设备及存储介质
CN113302874B (zh) 量子密钥分发系统中执行信息协调的设备及方法
CN111917436B (zh) 噪声估计方法、通信接口和计算机可读存储介质
KR101072559B1 (ko) 대수우도비를 산출하는 방법 및 복조 장치
CN109474552B (zh) 软符号估计方法、接收机及计算机可读介质
WO2022130625A1 (ja) 変調方式識別装置、制御回路、記憶媒体および変調方式識別方法
CN110943952B (zh) 调幅信号的检测方法及装置
CN109672501B (zh) 正交调制的软判决度量方法和装置
US9100115B1 (en) Processor unit for determining a quality indicator of a communication channel and a method thereof

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant