[發(fā)明專利]一種基于快速密度峰值聚類的電子元器件聚類方法

有效

• 申請?zhí)枺?/td>: 202110797965.8
• 申請日: 2021-07-15
• 公開（公告）號: CN113255288B
• 公開（公告）日: 2021-09-24
• 發(fā)明（設(shè)計(jì)）人: 樊鑫安;劉暢;王明;杜姍姍;肖偉
• 申請（專利權(quán)）人: 成都威頻通訊技術(shù)有限公司
• 主分類號: G06F30/398
• 分類號: G06F30/398;G06K9/62
• 代理公司: 成都誠中致達(dá)專利代理有限公司 51280
• 代理人: 曹宇杰

一種基于快速密度峰值聚類的電子元器件聚類方法，涉及電子元器件聚類技術(shù)領(lǐng)域，方法包括步驟：輸入電子元器件的測試參量值，進(jìn)行歸一化；對每一個樣本進(jìn)行近鄰查詢構(gòu)建k近鄰矩陣和k近鄰距離矩陣；取每一個樣本與其k個近鄰的距離均值的倒數(shù)作為其局部密度；根據(jù)當(dāng)前樣本的局部密度與其所有k近鄰的局部密度，區(qū)分為核心點(diǎn)與非核心點(diǎn)；確定相對距離；根據(jù)核心點(diǎn)的局部密度和相對距離，形成二維決策圖，從決策圖中選擇作為中心點(diǎn)；分配核心點(diǎn)和樣本點(diǎn)，整合所有樣本點(diǎn)所在的類簇，形成最終的聚類結(jié)果，對每一個類簇中的中心點(diǎn)對應(yīng)的測試參量值進(jìn)行標(biāo)注，則該類簇中其余樣本點(diǎn)所對應(yīng)的測試參量值可以根據(jù)中心點(diǎn)的標(biāo)注結(jié)果進(jìn)行自動標(biāo)注。

技術(shù)領(lǐng)域

本發(fā)明涉及電子元器件聚類，尤其涉及一種基于快速密度峰值聚類的電子元器件聚類方法。

背景技術(shù)

目前電子信息技術(shù)中使用的元器件的使用數(shù)量呈現(xiàn)不斷增長的趨勢，進(jìn)行手工的元器件質(zhì)量分類是一項(xiàng)繁瑣而且效率低下的工作。聚類是一種無監(jiān)督學(xué)習(xí)方法，其可以不需要先驗(yàn)知識，通過目標(biāo)間的相似度來判斷它們是不是屬于同一類別，從而實(shí)現(xiàn)對電子元器件的質(zhì)量情況進(jìn)行標(biāo)注。但是同一批次購買的元器件數(shù)量巨大，更需要一種自動化方法對電子元器件的質(zhì)量情況進(jìn)行標(biāo)注。

發(fā)明內(nèi)容

針對上述相關(guān)現(xiàn)有技術(shù)不足，本發(fā)明提供一種基于快速密度峰值聚類的電子元器件聚類方法，對電子元器件的質(zhì)量數(shù)據(jù)進(jìn)行特征提取和轉(zhuǎn)化，利用DPC算法可以聚類任意類型數(shù)據(jù)且可以取得優(yōu)秀聚類效果的特點(diǎn)，完成對電子元器件的類別標(biāo)注，且采用k近鄰的思想和定義核心點(diǎn)，減少DPC中密度和相對距離以及非中心點(diǎn)分配中的一些不必要的計(jì)算，加快DPC聚類速度。

為了實(shí)現(xiàn)本發(fā)明的目的，擬采用以下方案：

一種基于快速密度峰值聚類的電子元器件聚類方法，應(yīng)用于對電子元器件的質(zhì)量情況進(jìn)行聚類，包括步驟：

對輸入的多個電子元器件的測試參量值進(jìn)行特征提取，整理轉(zhuǎn)換形成標(biāo)準(zhǔn)信息表，并對表中每一個測試參量值進(jìn)行歸一化處理，獲得樣本集；測試參量值包括介電常數(shù)、損耗角正切、品質(zhì)因子Qf值、溫度系數(shù)中至少一種；

通過KD-Tree對每一個樣本進(jìn)行近鄰查詢以構(gòu)建k近鄰矩陣和k近鄰距離矩陣；

在k近鄰距離矩陣上，取每一個樣本與其k個近鄰的距離均值的倒數(shù)作為其局部密度；

在k近鄰矩陣上，判斷當(dāng)前樣本的局部密度是否高于其所有k近鄰的局部密度，若高于，則當(dāng)前樣本為核心點(diǎn)，否則，當(dāng)前樣本為非核心點(diǎn)；

計(jì)算相對距離：

對于非核心點(diǎn)，在k近鄰矩陣上遍歷出當(dāng)前非核心點(diǎn)k近鄰中局部密度大于當(dāng)前非核心點(diǎn)的點(diǎn)，并均作為第一參考點(diǎn)，并在k近鄰距離矩陣上取當(dāng)前非核心點(diǎn)與所有第一參考點(diǎn)的距離中的最小距離作為當(dāng)前非核心點(diǎn)的相對距離；

對于核心點(diǎn)，遍歷所有局部密度比當(dāng)前核心點(diǎn)大的其他核心點(diǎn)，并均作為第二參考點(diǎn)，計(jì)算當(dāng)前核心點(diǎn)與所有第二參考點(diǎn)的歐式距離中的最小距離作為半徑，通過KD-Tree查詢出所述半徑內(nèi)局部密度大于當(dāng)前核心點(diǎn)的非核心點(diǎn)，并均作為第三參考點(diǎn)，計(jì)算當(dāng)前核心點(diǎn)與所有第三參考點(diǎn)的歐式距離中的最小距離為當(dāng)前核心點(diǎn)的相對距離；

根據(jù)核心點(diǎn)的局部密度和相對距離，形成一個二維決策圖，從決策圖中選擇局部密度大于預(yù)設(shè)密度值且相對距離大于預(yù)設(shè)距離的樣本作為中心點(diǎn)；

將核心點(diǎn)分配到與其距離最近的中心點(diǎn)同一類簇，核心點(diǎn)的k個近鄰被分配到與核心點(diǎn)同一類簇，將非核心點(diǎn)分配到與當(dāng)前非核心點(diǎn)的相對距離對應(yīng)的第一參考點(diǎn)同一類簇；

整合所有樣本點(diǎn)所在的類簇，形成最終的聚類結(jié)果，對每一個類簇中的中心點(diǎn)對應(yīng)的測試參量值進(jìn)行標(biāo)注，則該類簇中其余樣本點(diǎn)所對應(yīng)的測試參量值可以根據(jù)中心點(diǎn)的標(biāo)注結(jié)果進(jìn)行自動標(biāo)注。