基于K-均值聚类和势函数法的欠定盲分离

doi:10.3969/j.issn.1000-0801.2012.01.019

电信科学 ›› 2012, Vol. 28 ›› Issue (1): 102-105.doi: 10.3969/j.issn.1000-0801.2012.01.019

基于K-均值聚类和势函数法的欠定盲分离

杨静,张玉洁,李宏伟

中国地质大学数学与物理学院武汉430074

出版日期:2012-01-15 发布日期:2012-01-15
基金资助:
国家自然科学基金资助项目;湖北省自然科学基金资助项目;中央高校基本科研业务专项基金资助项目

Underdetermined Blind Source Separation Algorithm Based on K-Means Clustering and Potential Function

Jing Yang,Yujie Zhang,Hongwei Li

School of Mathematics and Physics,China University of Geosciences,Wuhan 430074,China

Online:2012-01-15 Published:2012-01-15

摘要/Abstract

摘要：

K-均值聚类法能估计出观测信号聚类直线方向，利用主成分分析（PCA）提取主成分，可以提高直线估计的精准度和鲁棒性。在此思想的指导下，本文提出基于K-均值聚类的势函数法。势函数度量了聚类中心与所有观测点的距离，对势函数求导得到更新聚类中心的迭代公式，利用该公式对K-均值聚类法得到的聚类中心进行调整得到精估计。该算法计算量较小，能有效估计出混合矩阵。仿真实验验证了算法的有效性。

关键词: 盲源分离, 稀疏分量分析, 势函数, 聚类

Abstract:

K-means clustering method can estimate the observed clustering signal line direction,using principal component analysis can improve the accuracy and robustness of linear estimation.Under the guidance of this thinking,method of combine K-means clustering with potential function is proposed.Potential function measure the distance of clustering center with all observation points,based on the potential function find clustering center iteration formulas,using this formula to adjust clustering center.The presented algorithm is characterized by high accuracy and less computation.Simulation results illustrate the efficiency and the good performance of the algorithm.

Key words: blind source separation, sparse component analysis, potential function, clustering

杨静,张玉洁,李宏伟. 基于K-均值聚类和势函数法的欠定盲分离[J]. 电信科学, 2012, 28(1): 102-105.

Jing Yang,Yujie Zhang,Hongwei Li. Underdetermined Blind Source Separation Algorithm Based on K-Means Clustering and Potential Function[J]. Telecommunications Science, 2012, 28(1): 102-105.

图/表 3

图1

表1

混合矩阵列向量偏角"

	$ae (a_{1}, {\hat{a}}_{1})$	$ae (a_{2}, {\hat{a}}_{2})$	$ae (a_{3}, {\hat{a}}_{3})$	$ae (a_{3}, {\hat{a}}_{3})$
初估计	5.1839	0.6811	5.1084	2.4661
精估计	0.2253	0.1817	0.4264	0.2601

表1

图2

参考文献 12

1	Girolami M , STAJANO F . Self-Organising Neural Networks-Independent Component Analysis and Blind Source Separation. Springer-Verlag, 1999
2	Hyvarinen A , Oja E . A fast and robust fixed-point algorithm for independent component analysis. IEEE Trans on Neural Networks, 1999,10（3）:626～634
3	Hyvarinen A , Oja E . Independent component analysis: algorithms and applications. Neural Networks, 2000,13（4-5）:411～430
4	Cardoso J F , Laheld B . Equivariant adaptive source separation. IEEE Trans On Signal Processing, 1996,44（12）:3017～3030
5	Pham D T , Garrat P , Jutten C . Separation of a mixture of independent sources through a maximum likelihood approach.Proc EUSIPCO, 1992
6	Karhunen J , Jousensalo J . Representation and separation of signals using nonlinear PCA type learning. Neural Networks, 1994,7（1）:113～127
7	Li Y Q , Cichocki A , Amari S . Analysis of sparse representation and blind source separation. Neural Computation, 2004,16（6）:1193～1234
8	Bofill B , Zibulevsky M . Underdetermined blind source separation using sparse representations. Signal Processing, 2001,81（11）:2353～2362
9	张烨，方勇 . 基于拉普拉斯势函数的欠定盲分离中源数的估计. 信号处理， 2009,25（11）:1719～1725
10	Mallat S , Zhang Z . Matching pursuit in a time -frequency dictionary. IEEE Security and Privacy, 1993,41（12）:3397～3415
11	Chen S S , Donoho D L , Saunders M A . Atomic decomposition by basis pursuit. SIAM J Sci Comput, 1998,20（1）:33～61
12	何昭水，谢胜利，傅予力 . 稀疏表示与病态混合盲分离. 中国科学E辑，信息科学， 2006,36（8）:864～879

[1]	刘昊双, 张永, 曹莹波. 基于K-means聚类的子结构相关适配迁移学习方法[J]. 电信科学, 2023, 39(3): 124-134.
[2]	赵海波, 相志军, 肖林松. 基于异构数据的电力短期负荷大数据预测方案[J]. 电信科学, 2022, 38(12): 103-111.
[3]	金宁, 王庆扬. 基于聚类算法的6G典型应用场景研究[J]. 电信科学, 2022, 38(1): 121-131.
[4]	陆勰, 徐雷, 张曼君. 基于聚类的安全分级虚拟网络映射方法[J]. 电信科学, 2021, 37(9): 112-117.
[5]	刘子豪, 贾小军, 张素兰, 徐志玲, 张俊. 一种融合MeanShift聚类分析和卷积神经网络的Vibe++背景分割方法[J]. 电信科学, 2021, 37(3): 133-145.
[6]	吴季桦, 朱鹏宇, 吴子辰, 顾彬, 洪涛, 郭波, 王晶, 王敬宇. 基于无监督聚类和频繁子图挖掘的电力通信网缺陷诊断与自动派单[J]. 电信科学, 2021, 37(11): 51-63.
[7]	李想,李原,张子飞,杨哲. 基于密度聚类的网络性能故障大数据分析方法[J]. 电信科学, 2020, 36(9): 51-58.
[8]	李亚杰,赵永利,刘守东,张杰. 基于人工智能的光纤非线性均衡算法研究概述[J]. 电信科学, 2020, 36(3): 61-70.
[9]	孙洋,粟栗,张星,王峰生,杜海涛. 基于子语义空间的挖掘短文本策略方法[J]. 电信科学, 2020, 36(3): 83-94.
[10]	江俊, 黄骅, 任条娟, 张登辉. 基于峰值密度聚类的电信业投诉热点话题检测方法[J]. 电信科学, 2019, 35(5): 97-103.
[11]	马大燕. 基于自动聚类模型的输电线路外力破坏预警预测[J]. 电信科学, 2019, 35(3): 135-139.
[12]	钟其柱, 吴修权, 罗耀满. 基于MDT智能分析LTE无线干扰的研究与应用[J]. 电信科学, 2019, 35(10): 130-136.
[13]	袁泽恒,田润澜,王晓峰. 复杂体制雷达信号预分选的方法[J]. 电信科学, 2018, 34(9): 97-104.
[14]	聂茹. 抽样子空间约束改进大数据谱聚类算法[J]. 电信科学, 2018, 34(11): 41-47.
[15]	张春琴,谢立春. 云环境中改进FCM和规则参数优化的网络入侵检测方法[J]. 电信科学, 2018, 34(1): 72-79.

基于K-均值聚类和势函数法的欠定盲分离

Underdetermined Blind Source Separation Algorithm Based on K-Means Clustering and Potential Function

在线阅读

PDF下载

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 3

参考文献 12

相关文章 15

Metrics

推荐阅读 0