[发明专利]基于空间转换c-Means的无线信道多径模糊聚类的方法及系统

权利要求书

1.一种基于变量空间转换c-Means的无线信道多径模糊聚类方法，其特征在于，所述基于变量空间转换c-Means的无线信道多径模糊聚类方法包括：

步骤一，设置多径的初始置信矩阵U_k为零矩阵，该矩阵的维度为K×L；

步骤二，设置初始迭代次数i为1；

步骤三，初始化原参数空间中K个聚类中心为Γ⁽ⁱ⁾；

步骤四，通过将原空间多径参数ω_l和Γ⁽ⁱ⁾代入计算置信矩阵中的值

步骤五，根据步骤四得到置信矩阵中第l列向量

步骤六，根据步骤五得到置信矩阵

步骤七，当||U⁽ⁱ⁾-U^(i-1)||>ε时循环执行第八步-第十步；

步骤八，更新迭代次数i＝i+1；

步骤九，将U^(i-1)代入计算新的聚类中心；

步骤十，根据以及由步骤九得到的聚类中心计算新的置信矩阵Uⁱ；

步骤十一，令U_K＝U⁽ⁱ⁾得到迭代完毕时的多径聚类置信矩阵；

步骤十二，根据计算原变量空间里的聚类中心。

2.如权利要求1所述的基于变量空间转换c-Means的无线信道多径模糊聚类方法，其特征在于，所述基于变量空间转换c-Means的无线信道多径模糊聚类方法的寻找最佳聚类类别数的方法包括：

第一步，让候选的聚类类别数K从K_min迭代到K_max；

第二步，在第一步的基础上根据ST-FCM算法计算出多径的置信矩阵U_K和对应的聚类中心Γ_K；

第三步，在第二步的基础上让l从1到L迭代，如果那么让并且令在k＝1,2,…,K并且时令u_l(k)＝0；否则将w_l和u_l从Ω和U_K中移除；

第四步，第二步和第三步迭代完成之后，计算GD和XB指数，循环执行第一步；

第五步，第一步-第四步都完成之后，计算每个聚类类别数的得分，按照计分规则选取最佳的聚类类别数；

第六步，根据得到的最佳聚类类别数对多径进行聚类，得到置信度矩阵以及对应的聚类中心

3.如权利要求2所述的的基于变量空间转换c-Means的无线信道多径模糊聚类方法，其特征在于，所述基于变量空间转换c-Means的无线信道多径模糊聚类方法的聚类类别数评价方法包括：

假设Ω_k＝{ω_l|l＝1,2,…,L_k}是当有K个簇时第k个簇里的多径的集合。定义接着定义GD指数为任意两个SID的和与两倍SID最大值之间的商：GD指数越高，聚类效果越好；定义XB指数为所有MCD值的平方和与L倍MCD最大值平方的比值：XB指数越小，聚类效果越好。

4.如权利要求2所述的的基于变量空间转换c-Means的无线信道多径模糊聚类方法，其特征在于，所述基于变量空间转换c-Means的无线信道多径模糊聚类方法的聚类类别数计分方法包括：

首先根据GD和XB指数为每个候选的类别数K∈κ建立两个排名，在每个排名中，聚类结果都按照GD或者XB指数进行排序，好结果排在前而差结果排在后；

其次在每个排名中，排序结果最差的聚类结果对应的聚类类别数获得一分；

然后每个比之前结果更好的聚类结果对应的聚类类别数多获得一分，聚类结果对应的聚类类别数比次好的聚类结果对应的聚类类别数多得两分；

最后得分统计完成之后将两个排名的得分值进行简单的相加作为某个聚类类别数的最终得分，得分最高的类别数成为最佳的聚类类别数。