[发明专利]一种基于混合聚类的卫星随机接入前导检测方法

权利要求书

1.一种基于混合聚类的卫星随机接入前导检测方法，其特征在于包括下述步骤：

第一步：完成对相关检测结果的初始聚类，对参数进行优化；

利用k-means算法计算目标类质心与各数据样点之间的距离，实现分类的类内各数据点之间距离小于各类间距离以完成初始聚类，实现正确类与错误类两类的聚类；

第二步：通过二次聚类进一步完成对检测结果的精确聚类；

利用EM算法对目标类别进行二次聚类，首先要对EM算法的初始参数进行设置，即对正确类别和错误类别的初始方差进行设置；将初始聚类的结果质心数值作为初始方差参数进行设置，利用初始参数开始进行参数估计，不断迭代参数估计的过程，当参数最大似然估计满足收敛条件时便停止迭代过程，完成对目标类别的精确聚类；

第三步，根据聚类结果筛选出最终正确定时索引。

最终经过初始聚类和二次聚类，无论在正确定时索引处的结果还是在错误定时索引处的结果都将聚类到对应的类别中，此时所有定时位置索引d处对应的P_corr(d)都会有其对应的类别状态信息H_d∈{0,1}，对于聚类到正确索引类的全部样点索引d有H_d＝0，对于聚类到错误类别的全部样点索引d有H_d＝1；

首先根据H_d＝0得出所有聚类到正确定时索引类中的样点所对应的索引d，由于d∈{0,...,N_zc-1}是从小到大顺序排列，得到：

d＝argmin(H_d＝0)

所有满足H_d＝0条件的索引d中最小的d即为所求的正确首径位置，实现更好的前导检测性能。

2.根据权利要求1所述的基于混合聚类的卫星随机接入前导检测方法，其特征在于：

所述第一步中，将类别数目设置为k＝2；利用k-means算法进行聚类的具体步骤如下：

(1)根据目标类别数目设置初始质心；

根据相关检测结果P_corr(d),d∈{1,...,N_zc}的数据特征，对目标类别初始质心C_k,k∈{0,1}进行设置，下标索引k表示不同类别，即正确索引类的初始质心设置为C₀，错误索引类的初始质心设置为C₁，其中N_zc为序列长度；

(2)分别计算所有样本到两个质心的距离；

从定时索引d＝0处到d＝N_zc-1处将相关检测结果P_corr(d)与C₀和C₁分别进行差运算，对于任意定时索引处都将得到两个计算结果，即其中表示任意定时索引d处的样点数据到两类质心的距离差；

(3)判断并进行分类；

根据步骤(2)的计算结果判断索引d处的检测结果P_corr(d)归属于C₀或C₁中的某一类，当时，那么这个样点即属于C₀正确索引类，相反则属于C₁错误索引类；如果到两个质心的距离相等，则可划分到任意类别中；

(4)更新质心；

当按照步骤(3)对所有定时索引位置处的数据P_corr(d)进行分类之后，对当前正确索引类和错误索引类中的所有样点均值重新计算，即分别求出当前两类中所有样点数值的平均值，此平均值将分别作为两类的新的质心，以完成更新；

(5)迭代；

重复步骤(2)-步骤(4)，直到步骤(4)计算得到的质心不再发生变化，即本次质心计算结果与前一次质心计算结果相同，则停止迭代；此时计算类内各点与所属类质心的距离，并进行加权平均计算，得到类内样点数据平均距离；其次计算两类间的距离，即计算两个质心间的距离，当类间距离大于内类平均距离，则认为聚类成功；

经过5个步骤的初始聚类后，得到的两类别的精确质心参数信息，由于任意位置索引处的相关检测结果均值均为0，因此便将此初始聚类结果，即质心参数作为后续二次聚类的方差参数进行设置。

3.根据权利要求1所述的基于混合聚类的卫星随机接入前导检测方法，其特征在于：

所述第二步中，EM算法的具体步骤分为两步：

E步骤：使用初始参数值计算后验概率，初始参数指为正确类别和错误类别的初始方差值，也称为“责任”，含义为估计任意定时索引处的P_corr(d)由每个类别生成的概率；

其中，w_k,(i)(d)表示类别k对应的后验概率，p_k,(i-1)表示第i-1次迭代中求得的类别k的先验概率，表示第i-1次迭代中求得的类别k的方差；

M步骤：更新参数；

在E步骤中得到的w_k,(i)(d)当做该类别在生成这个数据上所做的贡献，相关检测结果P_corr(d)中的部分结果w_k,(i)(d)P_corr(d)的产生是由类别k所决定的；因此对于全部定时索引处的数据结果而言，w_k,(i)(0)P_corr(0),...,w_k,(i)(N_zc-1)P_corr(N_zc-1)这些索引处对应的数据都是由类别k所产生；由于每个目标类别均服从标准复高斯分布，因此参数值进一步得出：

其中，N_k,(i)表示所有相关检测结果中分配到类别k的有效样点数量；

在每一次迭代中，所有定时索引处数据的参数估计均由对数似然函数得到：

对上式似然函数结果的收敛性进行判断，当|L_(i)-L_(i-1)|小于阈值时收敛，迭代结束；当未收敛时，将更新的参数值带到E步骤中，继续进行迭代计算。