CN112183281A - 基于改进密度峰值算法的通信辐射源个体识别方法 - Google Patents
基于改进密度峰值算法的通信辐射源个体识别方法 Download PDFInfo
- Publication number
- CN112183281A CN112183281A CN202010997794.9A CN202010997794A CN112183281A CN 112183281 A CN112183281 A CN 112183281A CN 202010997794 A CN202010997794 A CN 202010997794A CN 112183281 A CN112183281 A CN 112183281A
- Authority
- CN
- China
- Prior art keywords
- distance
- density
- point
- radiation source
- histogram
- 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.)
- Pending
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 49
- 238000004891 communication Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims description 13
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000007621 cluster analysis Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013144 data compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于改进密度峰值算法的通信辐射源个体识别方法。该方法为:信号接收机采集不同辐射源发出的调频信号样本,计算每个调频信号样本的直方图特征;计算任意两个直方图特征之间的欧式距离,然后确定任意两个直方图特征之间的球形距离;选取不同的截断距离比例ε值,计算不同ε值对应的局部密度信息熵;选取最佳ε值并保存相应的密度矩阵;计算任意两个直方图特征之间的相对距离,并画出决策图;根据决策图选取聚类中心点并进行聚类,将剩下的所有未分类点,以到各个聚类中心点球形距离最小为依据划分到各个簇,从而完成对直方图特征的分类,即对不同辐射源个体的分类。本发明提高了算法性能,在实际信号数据集上能够达到较好的识别效果。
Description
技术领域
本发明涉及通信技术领域,特别是一种基于改进密度峰值算法的通信辐射源个体识别方法。
背景技术
辐射源个体识别通过测量信号的外部特征(又被称为信号的指纹特征)来判别信号与发射机之间的对应关系,在实际复杂电磁环境中应用领域广泛,具有重要作用。从军事应用角度来看,从复杂的电磁环境中发现和识别所关注的目标信号,并将其与辐射源目标载体平台和用户身份关联起来,对于战场指挥决策具有重要的参考价值,主要体现为:(1)可用于实现敌我识别,即对战场内匿名混杂的敌我辐射源进行判别,形成敌我分布态势;(2)可实现对战场区域内辐射源数目的判定,从而了解敌我双方规模;(3)可对辐射源目标的战术性质进行判定,例如判定辐射源的威胁等级,判定哪些辐射源是重要指挥节点,判定哪些目标是高价值目标等;(4)可实现对辐射源关联平台的判别,从而获得其火力、机动性、防御能力等战术能力信息。在民用领域,通信辐射源个体识别也有重要应用价值,包括:(1)可用于对特定非法辐射源进行识别,配合定位技术跟踪其通信出联活动,为打击违法犯罪活动信息支持;(2)可用于无线通信网的安全认证,即通过辐射源目标识别技术实现非法接入用户检测,提升无线网络安全防护能力,采用辐射源个体识别技术对无线通信网的非法接入和恶意辐射源的电磁伪装的检测尤其具备独特优势;(3)可用于频谱占用合法性监测,通过辐射源目标识别可以检测非法占用频谱资源的辐射源。
现有的通信辐射源个体识别体制主要包括两类:一类是传统的非机器学习体制:这类方法主要通过时域、频域或时频域分析方法提取载频、带宽、码速率、频率稳定度和杂散特征差异等有实际物理意义的信号层特征来区分不同的通信辐射源个体。另一类是机器学习体制:现有的机器学习体制一般假定获得大量有类别标签的通信辐射源观测数据或者少量有类别标签的通信辐射源观测数据,主要通过监督学习或半监督学习技术完成通信辐射源个体的分类识别,也就是说必须获得有类别标签的通信辐射源观测数据。然而在战时或实际复杂电磁环境下,根本无法侦收到大量有类别标签的通信辐射源观测数据,甚至连一个有类别标签的通信辐射源观测数据都无法获得,即实际面临的通信辐射源个体识别问题是无监督学习问题,也就是机器学习中的聚类问题。
在机器学习方法中,聚类分析是一种能够通过数据对象之间的相似性度量发现数据集内隐藏的知识结构特征和分布规律的有效途径,适用于网络检测、信号分析、数据压缩和信息检索等应用领域。随着计算机和网络技术的迅猛发展,人们获取数据的途径和方式变得越来越丰富,数据产量和更新速度促使静态数据规模日益增大,这也对聚类分析的实时性提出更高要求。《科学》(Science,vol.344,no.6191,pp.1492-1496,2014)所公开的“快速密度峰搜索聚类”(Clustering by fast search and find of density peaks)一文基于高密度簇中心应由其低密度邻居点环绕这一认识,提出一种利用数据对象之间的距离测算数据对象的局部密度及其与高密度邻居的距离,进而快速实现数据分簇的新型静态聚类方法。经美国加州大学欧文分校提供的机器学习标准数据集等多种数据源检验,该方法能够有效发现具有任意空间结构和可变密度簇,同时可实现自适应簇数目估计和噪点识别,相比于其他类型的静态聚类方法,体现出较好的数据集适应性。为了更好地满足实时应用需求,同时降低数据存储开销,许多实际应用通常仅维护动态数据集,即在新增部分数据对象的同时删除部分历史数据对象。显然,每当数据集发生变化时,直接使用快速密度峰搜索聚类方法从完整数据集中挖据有价值信息并非高效率的处理手段。因为,对数据集中大部分历史数据对象进行重新聚类势必产生大量的冗余计算,其运算效率的降低甚至导致聚类分析无法跟上数据集的更新速度。
发明内容
本发明的目的在于提供一种基于改进密度峰值算法的通信辐射源个体识别方法,在密度峰值聚类算法的基础上,运用模糊核函数、球形距离以及参数自适应对算法进行改进,使其在实际信号数据集上也能达到较好的识别效果。
实现本发明目的的技术解决方案为:一种基于改进密度峰值算法的通信辐射源个体识别方法,包括以下步骤:
步骤1、信号接收机采集不同辐射源发出的调频信号样本,计算每个调频信号样本的直方图特征;
步骤2、计算任意两个直方图特征之间的欧式距离,然后确定任意两个直方图特征之间的球形距离;
步骤3、选取不同的截断距离比例ε值,计算不同ε值对应的局部密度信息熵;
步骤4、选取最佳ε值并保存相应的密度矩阵;
步骤5、计算任意两个直方图特征之间的相对距离,并画出决策图;
步骤6、根据决策图选取聚类中心点并进行聚类,将剩下的所有未分类点,以到各个聚类中心点球形距离最小为依据划分到各个簇,从而完成对各调频信号样本所对应直方图特征的分类,即对不同辐射源个体的分类。
进一步地,步骤2所述计算任意两个直方图特征之间的欧式距离,然后确定任意两个直方图特征之间的球形距离,具体如下:
根据欧式距离测算公式,测算i、j两点间的的欧式距离dij,公式如下:
dij=||Xi-Xj||,i≠j
其中,||.||代表向量二范数运算,Xi表示第i个直方图特征、Xj表示第j个直方图特征,i,j=1,2…N,其中N为调频信号样本的数量,也即对应直方图特征数量;通过上式计算任意两个直方图特征之间的欧式距离;
定义每个点的邻居点是离自身最近的K个点,构造K近邻图,使用Floyd算法寻找两点在K近邻图上的最短路径,得到两点间的球形距离,即:
用dG(i,j)表示i、j两点间的测地距离,如果点j是点i的K近邻点,则dG(i,j)=dij,否则dG(i,j)=∞;如果点j不是点i的K近邻点,则dG(i,j)=dG(i,k)+dG(k,j),其中k为i的K邻近区域以外的点;然后k=1,2,3,...,N依次循环,dG(i,j)被重新计算dG=min{dG(i,j),dG(i,k)+dG(k,j)},得到一个新的距离矩阵,矩阵的每一项代表两点间的球形距离。
进一步地,步骤3所述选取不同的截断距离比例ε值,具体为:
ε在[0,1]的取值范围内按0.001的步进依次增加取值,将所有直方图特征间的欧氏距离求出并按照升序排列,则前ε%对应的距离值点即为截断距离dc;
根据截断距离,运用高斯核函数计算各个点的密度ρi:
然后计算不同的ε值对应的密度熵H(ε):
计算在不同的ε值条件下对应的局部密度熵的最小值,选取最终使得局部密度熵取得最小值时对应的ε,从而确定使得分类最优的截断距dc。
进一步地,步骤4所述选取最佳ε值并保存相应的密度矩阵,具体如下:
取密度熵最小时对应的ε为最佳ε值:
进一步地,步骤5所述计算任意两个直方图特征之间的相对距离,并画出决策图,具体如下:
计算各个点之间的相对距离δi:
以密度为x轴、相对距离为y轴画决策图。
进一步地,步骤6所述根据决策图选取聚类中心点并进行聚类,具体如下:
聚类中心的选择标准在于拥有尽可能大的密度与相对距离,在决策图中,密度为x轴且坐标从左至右递增,相对距离为y轴且坐标从下至上递增,选取在决策图中右上角的特征值为聚类中心,对剩余的非聚类中心点进行聚类,所有的点划分到各个簇。
本发明与现有技术相比,其显著优点为:(1)在复杂的电磁环境中,或者缺乏带类别信息的信号样本的条件下,实现通信辐射源个体识别;(2)使用球形距离代替欧式距离,提高了算法性能;(3)使用参数自适应选取最佳参数,避免依据经验法则选取的参数对算法的性能造成影响,具有重要的现实意义和应用价值。
附图说明
图1是本发明基于改进密度峰值算法的通信辐射源个体识别方法的流程图。
图2是本发明中欧氏距离及球形距离的计算流程图。
具体实施方式
对动态数据集的高性能聚类分析,必须能够在保证动态聚类效果等价于静态聚类效果的前提下,通过深入解析增量数据对象带来的特殊计算需求和局部制约因素来大幅改善执行效率、降低系统开销。因此,本发明将快速密度峰搜索聚类方法拓展为一种适用于动态数据集的增量式密度峰搜索聚类方法,获得适用于动态数据集的高性能聚类分析方法,该方法具有重要的现实意义和应用价值。
结合图1~2,本发明基于改进密度峰值算法的通信辐射源个体识别方法,包括以下步骤:
步骤1、信号接收机采集不同辐射源发出的调频信号样本,计算每个调频信号样本的直方图特征;
步骤2、计算任意两个直方图特征之间的欧式距离,然后确定任意两个直方图特征之间的球形距离;
步骤3、选取不同的截断距离比例ε值,计算不同ε值对应的局部密度信息熵;
步骤4、选取最佳ε值并保存相应的密度矩阵;
步骤5、计算任意两个直方图特征之间的相对距离,并画出决策图;
步骤6、根据决策图选取聚类中心点并进行聚类,将剩下的所有未分类点,以到各个聚类中心点球形距离最小为依据划分到各个簇,从而完成对各调频信号样本所对应直方图特征的分类,即对不同辐射源个体的分类。
进一步地,步骤2所述计算任意两个直方图特征之间的欧式距离,然后确定任意两个直方图特征之间的球形距离,具体如下:
根据欧式距离测算公式,测算i、j两点间的的欧式距离dij,公式如下:
dij=||Xi-Xj||,i≠j
其中,||.||代表向量二范数运算,Xi表示第i个直方图特征、Xj表示第j个直方图特征,i,j=1,2…N,其中N为调频信号样本的数量,也即对应直方图特征数量;通过上式计算任意两个直方图特征之间的欧式距离;
定义每个点的邻居点是离自身最近的K个点,构造K近邻图,使用Floyd算法寻找两点在K近邻图上的最短路径,得到两点间的球形距离,即:
用dG(i,j)表示i、j两点间的测地距离,如果点j是点i的K近邻点,则dG(i,j)=dij,否则dG(i,j)=∞;如果点j不是点i的K近邻点,则dG(i,j)=dG(i,k)+dG(k,j),其中k为i的K邻近区域以外的点;然后k=1,2,3,...,N依次循环,dG(i,j)被重新计算dG=min{dG(i,j),dG(i,k)+dG(k,j)},得到一个新的距离矩阵,矩阵的每一项代表两点间的球形距离。
进一步地,步骤3所述选取不同的截断距离比例ε值,具体为:
ε在[0,1]的取值范围内按0.001的步进依次增加取值,将所有直方图特征间的欧氏距离求出并按照升序排列,则前ε%对应的距离值点即为截断距离dc;
根据截断距离,运用高斯核函数计算各个点的密度ρi:
然后计算不同的ε值对应的密度熵H(ε):
计算在不同的ε值条件下对应的局部密度熵的最小值,选取最终使得局部密度熵取得最小值时对应的ε,从而确定使得分类最优的截断距dc。
进一步地,步骤4所述选取最佳ε值并保存相应的密度矩阵,具体如下:
取密度熵最小时对应的ε为最佳ε值:
进一步地,步骤5所述计算任意两个直方图特征之间的相对距离,并画出决策图,具体如下:
计算各个点之间的相对距离δi:
以密度为x轴、相对距离为y轴画决策图。
进一步地,步骤6所述根据决策图选取聚类中心点并进行聚类,具体如下:
聚类中心的选择标准在于拥有尽可能大的密度与相对距离,在决策图中,密度为x轴且坐标从左至右递增,相对距离为y轴且坐标从下至上递增,选取在决策图中右上角的特征值为聚类中心,对剩余的非聚类中心点进行聚类,所有的点划分到各个簇。
图1给出了算法的具体提流程,以15000个来自5部超短波电台的信号样本(每个样本有4096个点组成)为例,计算每个样本的直方图特征(1×256维的向量)。
(1)根据步骤(2)计算每个样本特征之间的欧式距离;
(2)输入参数K,构建K邻域图,计算各个样本特征之间的球形距离;
(3)根据步骤(4)~(6)选取最佳的ε值,并保存相应的密度矩阵;
(4)计算各个点之间的相对距离;
(5)以密度值和相对距离为坐标画出决策图;
(6)选取聚类中心点并对所有的特征进行聚类,输出各个样本的类别关系。
本发明在15000个超短波信号样本上的最佳ε为0.0012,识别率为78.6%,在复杂环境下通信辐射源个体识别方法,适用于敌我识别、频谱管理、保障通信网络安全等多个领域。
Claims (6)
1.一种基于改进密度峰值算法的通信辐射源个体识别方法,其特征在于,包括以下步骤:
步骤1、信号接收机采集不同辐射源发出的调频信号样本,计算每个调频信号样本的直方图特征;
步骤2、计算任意两个直方图特征之间的欧式距离,然后确定任意两个直方图特征之间的球形距离;
步骤3、选取不同的截断距离比例ε值,计算不同ε值对应的局部密度信息熵;
步骤4、选取最佳ε值并保存相应的密度矩阵;
步骤5、计算任意两个直方图特征之间的相对距离,并画出决策图;
步骤6、根据决策图选取聚类中心点并进行聚类,将剩下的所有未分类点,以到各个聚类中心点球形距离最小为依据划分到各个簇,从而完成对各调频信号样本所对应直方图特征的分类,即对不同辐射源个体的分类。
2.根据权利要求1所述的基于改进密度峰值算法的通信辐射源个体识别方法,其特征在于,步骤2所述计算任意两个直方图特征之间的欧式距离,然后确定任意两个直方图特征之间的球形距离,具体如下:
根据欧式距离测算公式,测算i、j两点间的的欧式距离dij,公式如下:
dij=||Xi-Xj||,i≠j
其中,||.||代表向量二范数运算,Xi表示第i个直方图特征、Xj表示第j个直方图特征,i,j=1,2…N,其中N为调频信号样本的数量,也即对应直方图特征数量;通过上式计算任意两个直方图特征之间的欧式距离;
定义每个点的邻居点是离自身最近的K个点,构造K近邻图,使用Floyd算法寻找两点在K近邻图上的最短路径,得到两点间的球形距离,即:
用dG(i,j)表示i、j两点间的测地距离,如果点j是点i的K近邻点,则dG(i,j)=dij,否则dG(i,j)=∞;如果点j不是点i的K近邻点,则dG(i,j)=dG(i,k)+dG(k,j),其中k为i的K邻近区域以外的点;然后k=1,2,3,...,N依次循环,dG(i,j)被重新计算dG=min{dG(i,j),dG(i,k)+dG(k,j)},得到一个新的距离矩阵,矩阵的每一项代表两点间的球形距离。
6.根据权利要求5所述的基于改进密度峰值算法的通信辐射源个体识别方法,其特征在于,步骤6所述根据决策图选取聚类中心点并进行聚类,具体如下:
聚类中心的选择标准在于拥有尽可能大的密度与相对距离,在决策图中,密度为x轴且坐标从左至右递增,相对距离为y轴且坐标从下至上递增,选取在决策图中右上角的特征值为聚类中心,对剩余的非聚类中心点进行聚类,所有的点划分到各个簇。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010997794.9A CN112183281A (zh) | 2020-09-21 | 2020-09-21 | 基于改进密度峰值算法的通信辐射源个体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010997794.9A CN112183281A (zh) | 2020-09-21 | 2020-09-21 | 基于改进密度峰值算法的通信辐射源个体识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112183281A true CN112183281A (zh) | 2021-01-05 |
Family
ID=73956380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010997794.9A Pending CN112183281A (zh) | 2020-09-21 | 2020-09-21 | 基于改进密度峰值算法的通信辐射源个体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183281A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158817A (zh) * | 2021-03-29 | 2021-07-23 | 南京信息工程大学 | 一种基于快速密度峰聚类的客观天气分型方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930862A (zh) * | 2016-04-13 | 2016-09-07 | 江南大学 | 一种基于密度自适应距离的密度峰聚类算法 |
US20160374116A1 (en) * | 2008-12-12 | 2016-12-22 | Blackberry Limited | Mobility in a Distributed Antenna System |
CN109271427A (zh) * | 2018-10-17 | 2019-01-25 | 辽宁大学 | 一种基于近邻密度和流形距离的聚类方法 |
CN110232414A (zh) * | 2019-06-11 | 2019-09-13 | 西北工业大学 | 基于k近邻与共享近邻的密度峰值聚类算法 |
-
2020
- 2020-09-21 CN CN202010997794.9A patent/CN112183281A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160374116A1 (en) * | 2008-12-12 | 2016-12-22 | Blackberry Limited | Mobility in a Distributed Antenna System |
CN105930862A (zh) * | 2016-04-13 | 2016-09-07 | 江南大学 | 一种基于密度自适应距离的密度峰聚类算法 |
CN109271427A (zh) * | 2018-10-17 | 2019-01-25 | 辽宁大学 | 一种基于近邻密度和流形距离的聚类方法 |
CN110232414A (zh) * | 2019-06-11 | 2019-09-13 | 西北工业大学 | 基于k近邻与共享近邻的密度峰值聚类算法 |
Non-Patent Citations (8)
Title |
---|
LIN SUN ET AL.: "An Adaptive Density Peaks Clustering Method With Fisher Linear Discriminant", 《IEEE ACCESS》 * |
XIN LI ET AL.: "Radiation source individual identification using machine learning method", 《2019 IEEE 8TH JOINT INTERNATIONAL INFORMATION TECHNOLOGY AND ARTIFICIAL INTELLIGENCE CONFERENCE (ITAIC)》 * |
朱庆峰 等: "快速特征映射优化的流形密度峰聚类", 《南京大学学报(自然科学)》 * |
李昕 等: "基于核密度估计密度峰聚类的通信辐射源个体识别", 《空军工程大学学报(自然科学版)》 * |
李昕 等: "基于模糊邻域的比较密度峰值算法", 《信号处理》 * |
李波: "《高维数据的流形学习分析方法》", 31 May 2016, 武汉:武汉大学出版社 * |
李涛 等: "基于密度自适应距离的密度峰聚类", 《小型微型计算机系统》 * |
赖添悦: "基于密度峰的自适应聚类算法研究及其应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158817A (zh) * | 2021-03-29 | 2021-07-23 | 南京信息工程大学 | 一种基于快速密度峰聚类的客观天气分型方法 |
CN113158817B (zh) * | 2021-03-29 | 2023-07-18 | 南京信息工程大学 | 一种基于快速密度峰聚类的客观天气分型方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shapoorifard et al. | Intrusion detection using a novel hybrid method incorporating an improved KNN | |
Uddin et al. | Amateur Drones Detection: A machine learning approach utilizing the acoustic signals in the presence of strong interference | |
CN108924756A (zh) | 基于WiFi双频带的室内定位方法 | |
Aranda et al. | Performance analysis of fingerprinting indoor positioning methods with BLE | |
Mittal et al. | A new fuzzy cluster validity index for hyperellipsoid or hyperspherical shape close clusters with distant centroids | |
Zhang et al. | Unknown network attack detection based on open‐set recognition and active learning in drone network | |
CN117216660A (zh) | 基于时序网络流量集成异常点和异常集群检测方法及装置 | |
Kumar et al. | Data clustering using sine cosine algorithm: Data clustering using SCA | |
CN110072186A (zh) | 基于属性独立的加权朴素贝叶斯室内定位方法 | |
Dener et al. | STLGBM-DDS: an efficient data balanced DoS detection system for wireless sensor networks on big data environment | |
Aref et al. | Automatic fuzzy-DBSCAN algorithm for morphological and overlapping datasets | |
CN114330509A (zh) | 一种空中目标活动规律预测方法 | |
Turgut et al. | Performance analysis of machine learning and deep learning classification methods for indoor localization in Internet of things environment | |
CN112183281A (zh) | 基于改进密度峰值算法的通信辐射源个体识别方法 | |
CN109068349B (zh) | 一种基于小样本迭代迁移的室内入侵检测方法 | |
Javed et al. | Position Vectors Based Efficient Indoor Positioning System. | |
Wang et al. | A k-nearest neighbor centroid-based outlier detection method | |
Liu et al. | Swarm intelligence for classification of remote sensing data | |
Muthu Mariappan et al. | A novel location pinpointed anti-jammer with knowledged estimated localizer for secured data transmission in mobile wireless sensor network | |
LU505157B1 (en) | Method for individual identification of communication radiation source based on improved density peak algorithm | |
Haryati et al. | Comparative study of distance measures on fuzzy subtractive clustering | |
Wang et al. | FCM algorithm and index CS for the signal sorting of radiant points | |
Li et al. | Adaptive hierarchical artificial immune system and its application in RFID reader collision avoidance | |
Yıldırım | Unsupervised classification of multispectral Landsat images with multidimensional particle swarm optimization | |
Li et al. | An overview of cluster analysis based on particle swarm optimization |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210105 |
|
RJ01 | Rejection of invention patent application after publication |