[发明专利]一种基于超限学习机的频谱信道聚类方法

权利要求书

1.一种基于超限学习机的频谱信道聚类方法，其特征在于，包括：

采集数据进行预处理，得到原始数据集；

基于超限学习机自编码器获取原始数据集的高维特征，并进行特征映射；

基于主成分分析法对特征映射后的原始数据集进行降维；

构建基于超限学习机的初始频谱信道聚类模型；

利用粒子群优化算法优化超限学习机的输入权重和隐藏层偏置，得到目标频谱信道聚类模型。

2.如权利要求1所述的一种基于超限学习机的频谱信道聚类方法，其特征在于，所述采集数据进行预处理，得到原始数据集，包括：

将数据处理成信道状态向量表示原始数据集，其中，所述信道状态包括信道空闲状态和信道占用状态。

3.如权利要求1所述的一种基于超限学习机的频谱信道聚类方法，其特征在于，所述基于超限学习机自编码器获取原始数据集的高维特征，并进行特征映射，包括：

初始化超限学习机自编码器的参数，计算超限学习机自编码器中隐藏层到输出层的连接权重，并进行原始数据集高层语义的特征映射。

4.如权利要求1所述的一种基于超限学习机的频谱信道聚类方法，其特征在于，所述基于主成分分析法对特征映射后的原始数据集进行降维，包括：

对高层语义采取奇异值分解，并利用奇异值分解得到的变换矩阵求出降维后的数据集表达。

5.如权利要求1所述的一种基于超限学习机的频谱信道聚类方法，其特征在于，所述构建基于超限学习机的初始频谱信道聚类模型，包括：

初始化超限学习机参数；

计算超限学习机的隐藏层输出矩阵；

构建模型的训练集，确定聚类的个数；

训练基于超限学习机的聚类模型；

基于聚类模型对信道数据集进行聚类，得到当前的聚类结果；

基于聚类结果，计算类内距离平方和，当类内距离平方和满足预设的精度，则此次聚类结束；

获取最终的聚类纯度，作为粒子群算法的适应度，得到最终输入权重和隐藏层偏置。

6.如权利要求1所述的一种基于超限学习机的频谱信道聚类方法，其特征在于，所述利用粒子群优化算法优化超限学习机的输入权重和隐藏层的偏置，得到目标频谱信道聚类模型，包括：

初始化粒子群参数；

基于所述特征映射和所述降维数据集，根据基于超限学习机的频谱信道聚类模型得到聚类纯度，采用聚类纯度为指标，计算每组粒子的适应度；

获取个体极值和群体极值并更新粒子的速度和位置，得到目标粒子；

基于目标粒子，得到目标超限学习机的输入权重和隐藏层偏置，得到目标频谱信道聚类模型。