[发明专利]一种基于ISODATA的干扰源分类识别算法

权利要求书

1.一种基于ISODATA的干扰源分类识别算法，其特征在于：针对空间中未知的干扰源，

通过以下步骤对其进行分类识别：

步骤1：使用干扰源监测定位设备获得各信号的PDW，根据常规信号设定判决门限值，将功率强度大于判决门限值的信号判决为疑似干扰信号，实时监测干扰信号的原始特征值并存入特征值数据库；

步骤2：将干扰源监测定位设备输出的每一类特征值进行一维ISODATA解算，将其聚类数目大于3的特征值纳入待检索队列；

步骤3：从特征值数据库中按待检索队列取出设定时间段内的原始特征值，采用多维ISODATA对其进行聚类分析，实时向用户输出聚类数目及特征聚类中心值，以此作为最可能的干扰信号的有效特征。

2.根据权利要求1所述的一种基于ISODATA的干扰源分类识别算法，其特征在于，步骤2、步骤3中ISODATA的算法步骤如下：

第一步：对于N个模式样本的集合，确定C个初始聚类中心Z₁，Z₂，……Z_c，C不一定等于K，这些聚类中心可为模式集合中的任意样本；

第二步：对以下六个参数进行初始化，即K，θ_N，θ_s，θ_c，L，I，

其中K：所要求的聚类中心数；

θ_N：一个类别至少应具有的样本数目；

θ_s：一个类别样本标准差阈值；

θ_c：聚类中心之间距离的阈值，即归并系数；

L：在一次迭代中可以归并的类别的最多对数；

I：允许迭代的最多次数；

第三步：将N个样本按最小距离分类，即若

D_j＝min(||x-z_i||，i＝1，2，…C)→x∈f_j；

第四步：若对于某一聚类域f_j，其样本数目N_j＜θ_N则取消该子集f_j和z_j并且C＝C-1，即类别数减少1；

第五步：修正各聚类中心值：

其中N_j为f_j的样本数；

第六步：对每一聚类域f_j，计算其所有样本到其聚类中心的距离的平均值；

第七步：计算所有样本到其相应聚类中心的距离的平均值；

第八步：

①若迭代次数达到I次，置θ_c＝0，转入第十二步，运算结束，

②若C≤K/2，即聚类中心数目等于或不到规定数目的二分之一，则转入第九步，以对现有类别进行分裂，

③若C≥2K，跳过分裂，转入第十二步，否则转下，

④若K/2＜C＜2K，当迭代次数是奇数转第九步分裂，迭代次数为偶数时，转入第十二步合并；

第九步：计算每一类别中样本与聚类中心距离的标准差向量：

σ_j＝(σ_1j，σ_2j，...σ_nj)^t；

其中每一分量为这里n为模式样本的维数，x_i1是第L个样本的第i个分量，z_ij是z_j的第i个分量；

第十步：对每一标准差向量σ_j，j＝1，2，…C，求其中最大分量σ_jmax，

其中k＝维数，用S记下它是第几分量；

第十一步：在最大分量集{σ_jmax，j＝1，2，…C}中若有σ_jmax＞θ_S并且满足下列条件之一：

即该类中样本到聚类中心的平均距离大于总体距离且该类样本总数超过规定数据两倍，则将z_j分裂成两个新的聚类中心且类别数C＝C+1；

的确定方法：对于σ_jmax的z_j的分量即第s分量上加r_j＝Mσ_jmax，0＜M≤1，z_i的第s分量减去r_j，其他分量不变，构成z_j；

分裂完毕，转入第三步：如果没有可分裂的类别，则继续；

第十二步：计算每两个聚类中心之间的距离：

第十三步：将每一个d_ij的值和θ_c的值进行比较，凡是d_ij＜θ_c的均取出，组成一个集合这里且t≤1；

第十四步：从开始，逐一合并d_ij＜θ_c的类别i，j，每个类别只能合并一次，合并后新类别以新聚类中心为标志：

第十五步：如果是最后一次迭代计算, 即第I次，算法结束；否则，如果需要改变参数则转入第二步，不需要改变参数则转入第三步。