[发明专利]一种自适应K_means聚类奇异值分解降噪有效秩阶次确定法

说明书

技术领域

本发明涉及一种自适应K_means聚类奇异值分解降噪有效秩阶次确定法，属于信号处理技术领域。

背景技术

奇异值分解降噪法存在着有效秩阶次的确定这一关键问题。针对这个问题，目前的解决办法是有效秩的阶次是源信号主频个数的2倍，但是在实际工程应用中，情况较为复杂，噪声大量存在，频带迁移，当源信号的主频个数难以区分的时候，该方法失效。

发明内容

针对现有技术中存在的不足，本发明的目的是提供一种自适应K_means聚类奇异值分解降噪有效秩阶次确定法，避免依据经验来选取有效秩阶次和传统的差分方法只选取最大值点所导致的误差。

本发明的目的是通过以下技术方案实现的。

一种自适应K_means聚类奇异值分解降噪有效秩阶次确定法，所述方法的步骤如下：

步骤1.在奇异值分解时利用差分法获得奇异值的变化率，并将奇异值的变化率进行归一化处理；

步骤2.利用改进的K_means聚类算法对奇异值的变化率逐步进行聚类处理，在聚类过程中，利用聚类后的第一个有效类的中心值自适应解算类相关性阈值，并根据类相关性阈值终止聚类；

步骤3.根据聚类数解算出有效秩阶次；

步骤4.根据解算出的有效秩阶次进行信号重构，得到奇异值分解降噪后的信号。

有益效果：

本发明所述的自适应K_means聚类奇异值分解降噪有效秩阶次确定法，依据奇异值分解后得到的奇异值顺序固定不变的特性，结合二分法改进K_means聚类算法，提高了算法的效率和适用性，同时利用聚类后的类自身特性，自适应终止K_means聚类，解决了人为经验问题。

附图说明

附图1为本发明所述方法流程示意图。

具体实施方式

下面对本发明做进一步说明。

将给定的个维数据点的数据集生成个数据子集，其中。K_means聚类算法将数据集划分成个类，即，每个类的类中心为。选取欧式距离作为分类的依据和距离判断准则，计算每个类中各点到聚类中心的欧式距离和

K_means聚类算法的目标是使各类总的欧式距离和最小，即

一种自适应K_means聚类奇异值分解降噪有效秩阶次确定法，具体步骤如下：

步骤1.计算出聚类后类的中心值，即

式中，为类中元素个数。

步骤2.根据类相关性特性自定义了一个类相关性阈值，有

式中，的值是由聚类后的第一个有效的自适应解算出来，即的值要比小一个数量级，且。

步骤3.将每次聚类后的中心值与自适应解算出来的作比较，建立一个聚类终止条件，即

式中，若，则类是有效秩类，对类继续进行改进的K_means聚类，直到终止聚类，此时得到的聚类数记为。

式中为有效秩阶次，为类中元素个数。

若在类中出现了，则将其视为特殊情况，即为有效秩阶次的叠加项。

以上所述仅为本发明的优选实施例而已，并不用于限制发明。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。