本發(fā)明涉及一種自適應(yīng)k_means聚類奇異值分解降噪有效秩階次確定法，屬于信號(hào)處理技術(shù)領(lǐng)域。

背景技術(shù)：

奇異值分解降噪法存在著有效秩階次的確定這一關(guān)鍵問(wèn)題。針對(duì)這個(gè)問(wèn)題，目前的解決辦法是有效秩的階次是源信號(hào)主頻個(gè)數(shù)的2倍，但是在實(shí)際工程應(yīng)用中，情況較為復(fù)雜，噪聲大量存在，頻帶遷移，當(dāng)源信號(hào)的主頻個(gè)數(shù)難以區(qū)分的時(shí)候，該方法失效。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)中存在的不足，本發(fā)明的目的是提供一種自適應(yīng)k_means聚類奇異值分解降噪有效秩階次確定法，避免依據(jù)經(jīng)驗(yàn)來(lái)選取有效秩階次和傳統(tǒng)的差分方法只選取最大值點(diǎn)所導(dǎo)致的誤差。

本發(fā)明的目的是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的。

一種自適應(yīng)k_means聚類奇異值分解降噪有效秩階次確定法，所述方法的步驟如下：

步驟1.在奇異值分解時(shí)利用差分法獲得奇異值的變化率，并將奇異值的變化率進(jìn)行歸一化處理；

步驟2.利用改進(jìn)的k_means聚類算法對(duì)奇異值的變化率逐步進(jìn)行聚類處理，在聚類過(guò)程中，利用聚類后的第一個(gè)有效類的中心值自適應(yīng)解算類相關(guān)性閾值，并根據(jù)類相關(guān)性閾值終止聚類；

步驟3.根據(jù)聚類數(shù)解算出有效秩階次；

步驟4.根據(jù)解算出的有效秩階次進(jìn)行信號(hào)重構(gòu)，得到奇異值分解降噪后的信號(hào)。

有益效果：

本發(fā)明所述的自適應(yīng)k_means聚類奇異值分解降噪有效秩階次確定法，依據(jù)奇異值分解后得到的奇異值順序固定不變的特性，結(jié)合二分法改進(jìn)k_means聚類算法，提高了算法的效率和適用性，同時(shí)利用聚類后的類自身特性，自適應(yīng)終止k_means聚類，解決了人為經(jīng)驗(yàn)問(wèn)題。

附圖說(shuō)明

附圖1為本發(fā)明所述方法流程示意圖。

具體實(shí)施方式

下面對(duì)本發(fā)明做進(jìn)一步說(shuō)明。

將給定的個(gè)維數(shù)據(jù)點(diǎn)的數(shù)據(jù)集生成個(gè)數(shù)據(jù)子集，其中。k_means聚類算法將數(shù)據(jù)集劃分成個(gè)類，即，每個(gè)類的類中心為。選取歐式距離作為分類的依據(jù)和距離判斷準(zhǔn)則，計(jì)算每個(gè)類中各點(diǎn)到聚類中心的歐式距離和

k_means聚類算法的目標(biāo)是使各類總的歐式距離和最小，即

一種自適應(yīng)k_means聚類奇異值分解降噪有效秩階次確定法，具體步驟如下：

步驟1.計(jì)算出聚類后類的中心值，即

式中，為類中元素個(gè)數(shù)。

步驟2.根據(jù)類相關(guān)性特性自定義了一個(gè)類相關(guān)性閾值，有

式中，的值是由聚類后的第一個(gè)有效的自適應(yīng)解算出來(lái)，即的值要比小一個(gè)數(shù)量級(jí)，且。

步驟3.將每次聚類后的中心值與自適應(yīng)解算出來(lái)的作比較，建立一個(gè)聚類終止條件，即

式中，若，則類是有效秩類，對(duì)類繼續(xù)進(jìn)行改進(jìn)的k_means聚類，直到終止聚類，此時(shí)得到的聚類數(shù)記為。

式中為有效秩階次，為類中元素個(gè)數(shù)。

若在類中出現(xiàn)了，則將其視為特殊情況，即為有效秩階次的疊加項(xiàng)。

以上所述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制發(fā)明。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。