[发明专利]一种基于核减法聚类的多功能传感器样本选择方法

权利要求书

1.一种基于核减法聚类的多功能传感器样本选择方法，其特征在于包括以下步骤：

1）对于需要进行信号重构的传感器进行采样，获得样本数据；

2）将步骤1）获得的样本数据进行归一化处理；

3）利用核减法聚类将归一化处理后的样本数据映射到高维空间，使其线性可分，并进行分类；

4）将每一类的聚类中心作为被选取的样本点。

2.如权利要求1所述一种基于核减法聚类的多功能传感器样本选择方法，其特征在于在步骤3）中，所述核减法聚类如下：

（1）考虑样本数据集X＝{x₁,x₂,...,x_N}，首先需要将所有的数据点归一化到一个超立方体，由于每个数据点都是聚类中心的候选点，因此计算所有数据点x_i处的密度指标：

Di=Σj=1Nexp(-4ra2||xi-xj||2)]]>

=Σj=1Nexp(-4ra2[K(xi,xi)-2K(xi,xj)+K(xj,xj)])]]>

其中，D_i为样本点x_i的密度指标；r_a＞0为每个聚类中心的领域半径，半径以内的数据点对密度指标的影响较大，半径以外的数据点则影响很小，若采用高斯核函数，则该式可写为：

Di=Σj=1Nexp(-8ra2[1-exp(-β||xi-xj||2)])]]>

如果一个数据点的邻近点越多，该数据点密度指标越高；

（2）在计算每个数据点的密度指标之后，选择具有最高密度指标的数据点为第一个聚类中心，令为该中心，相应的密度指标为

（3）去除第一个聚类中心，修正每个数据点x_i的密度指标：

Di=Di-Dk*exp(-4rb2||xi-xk*||2)]]>

=Di-Dk*exp(-4rb2[K(xi,xi)-2K(xi,xk*)+K(xj,xk*)])]]>

其中r_b＞0定义了密度指标显著减小的领域半径，半径内的数据点的密度指标显著减小，从而使得这些点不可能成为下一个聚类中心，为避免出现相距较近的聚类中心，r_b通常比r_a大，一般取r_b＝1.25r_a或者r_b＝1.5r_a，若采用高斯核函数，则该式可写为：

Di=Di-Dk*exp(-8rb2[1-exp(-β||xi-xk*||2)]);]]>

（4）修正每个数据点的密度指标后，选择密度指标最大的数据点作为下一个聚类中心的候选点，令其为密度指标为

（5）定义接受半径上限ε_up和拒绝半径下限ε_down以辅助判定是否将步骤（4）中的聚类中心候选点最终确定为聚类中心，ε_up＝0.5且ε_down＝0.15，判定依据如下：

a)若则接受作为下一个聚类中心，并跳至下一步；

b)若则拒绝作为下一个聚类中心，并结束整个核减法聚类程序；

c)若则计算候选聚类中心与其他已选聚类中心的最小距离d_min，若则同样接受作为下一个聚类中心，并跳至下一步；否则，拒绝作为下一个聚类中心，并令回到步骤（4）；

（6）利用步骤（3）的公式修正剩余样本数据的密度指标，并跳至步骤（4）。