[發明專利]一種基于超限學習機的頻譜信道聚類方法

在審

• 申請號: 202010111427.4
• 申請日: 2020-02-24
• 公開（公告）號: CN111353530A
• 公開（公告）日: 2020-06-30
• 發明（設計）人: 張可;胡志;汪小芬
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00
• 代理公司: 成都玖和知識產權代理事務所(普通合伙) 51238
• 代理人: 胡琳梅

1.一種基于超限學習機的頻譜信道聚類方法，其特征在于，包括：

采集數據進行預處理，得到原始數據集；

基于超限學習機自編碼器獲取原始數據集的高維特征，并進行特征映射；

基于主成分分析法對特征映射后的原始數據集進行降維；

構建基于超限學習機的初始頻譜信道聚類模型；

利用粒子群優化算法優化超限學習機的輸入權重和隱藏層偏置，得到目標頻譜信道聚類模型。

2.如權利要求1所述的一種基于超限學習機的頻譜信道聚類方法，其特征在于，所述采集數據進行預處理，得到原始數據集，包括：

將數據處理成信道狀態向量表示原始數據集，其中，所述信道狀態包括信道空閑狀態和信道占用狀態。

3.如權利要求1所述的一種基于超限學習機的頻譜信道聚類方法，其特征在于，所述基于超限學習機自編碼器獲取原始數據集的高維特征，并進行特征映射，包括：

初始化超限學習機自編碼器的參數，計算超限學習機自編碼器中隱藏層到輸出層的連接權重，并進行原始數據集高層語義的特征映射。

4.如權利要求1所述的一種基于超限學習機的頻譜信道聚類方法，其特征在于，所述基于主成分分析法對特征映射后的原始數據集進行降維，包括：

對高層語義采取奇異值分解，并利用奇異值分解得到的變換矩陣求出降維后的數據集表達。

5.如權利要求1所述的一種基于超限學習機的頻譜信道聚類方法，其特征在于，所述構建基于超限學習機的初始頻譜信道聚類模型，包括：

初始化超限學習機參數；

計算超限學習機的隱藏層輸出矩陣；

構建模型的訓練集，確定聚類的個數；

訓練基于超限學習機的聚類模型；

基于聚類模型對信道數據集進行聚類，得到當前的聚類結果；

基于聚類結果，計算類內距離平方和，當類內距離平方和滿足預設的精度，則此次聚類結束；

獲取最終的聚類純度，作為粒子群算法的適應度，得到最終輸入權重和隱藏層偏置。

6.如權利要求1所述的一種基于超限學習機的頻譜信道聚類方法，其特征在于，所述利用粒子群優化算法優化超限學習機的輸入權重和隱藏層的偏置，得到目標頻譜信道聚類模型，包括：

初始化粒子群參數；

基于所述特征映射和所述降維數據集，根據基于超限學習機的頻譜信道聚類模型得到聚類純度，采用聚類純度為指標，計算每組粒子的適應度；

獲取個體極值和群體極值并更新粒子的速度和位置，得到目標粒子；

基于目標粒子，得到目標超限學習機的輸入權重和隱藏層偏置，得到目標頻譜信道聚類模型。