技術(shù)特征：

1.一種基于K-means聚類的全脈沖數(shù)據(jù)無(wú)損壓縮方法，包括以下步驟：

步驟一：對(duì)包含偵察機(jī)中頻數(shù)據(jù)關(guān)鍵參數(shù)信息的全脈沖數(shù)據(jù)進(jìn)行K-means聚類，得到多個(gè)類簇及每個(gè)類簇的中心點(diǎn)；

步驟二：將每個(gè)類簇內(nèi)部所有數(shù)據(jù)點(diǎn)與該類簇中心點(diǎn)做差，得到差值數(shù)據(jù)；

步驟三：將差值做行程編碼；

步驟四：將行程編碼后的數(shù)據(jù)做區(qū)間編碼；

步驟五：將區(qū)間編碼后的碼流與中心值一起輸出得到壓縮結(jié)果。

2.如權(quán)利要求1所述的一種基于K-means聚類的全脈沖數(shù)據(jù)無(wú)損壓縮方法，其特征在于：步驟一中，K-means聚類包括以下步驟：

1)輸入數(shù)據(jù)源X包含n個(gè)數(shù)據(jù)點(diǎn){x₁，x₂，…，x_n}，每個(gè)數(shù)據(jù)點(diǎn)為包含p個(gè)特征參數(shù)的p維數(shù)據(jù)；

2)隨機(jī)選取K個(gè)數(shù)據(jù)點(diǎn)作為各個(gè)類簇的初始聚類中心，K取值在之間；分別計(jì)算每個(gè)數(shù)據(jù)點(diǎn)到K個(gè)聚類中心的歐氏距離，若滿足某個(gè)數(shù)據(jù)點(diǎn)與某一類簇中心的距離小于其與所有其他聚類中心的距離，則把該數(shù)據(jù)點(diǎn)劃分到這一聚類中心所代表的類簇中，得到初始K個(gè)聚類劃分；

3)重新計(jì)算K個(gè)新的聚類中心：

${\mathrm{\μ}}_i=\frac{1}{N_i}\underset{j=1}{\overset{N_i}{\Σ}}{x}_{ij},i=1,2,...,K---\left(1\right)$

其中，μ_i表示第i個(gè)類簇的中心點(diǎn)，N_i表示第i個(gè)類簇中的數(shù)據(jù)點(diǎn)個(gè)數(shù)，x_ij表示第i個(gè)類簇中第j個(gè)數(shù)據(jù)點(diǎn)；

4)計(jì)算每個(gè)類簇?cái)?shù)據(jù)點(diǎn)與其中心點(diǎn)的歐氏距離，求出各類簇總的距離和也即偏差J，具體計(jì)算公式如下：

$J=\underset{i=1}{\overset{K}{\Σ}}\underset{j=1}{\overset{N_i}{\Σ}}\left|\right|x_{ij}-{\mathrm{\μ}}_i|{|}^2---\left(2\right)$

不斷重復(fù)步驟3)和4)的計(jì)算，對(duì)算法的收斂性進(jìn)行判斷:聚類的目標(biāo)是使各類簇總的距離和，即偏差J達(dá)到最??；若經(jīng)過(guò)反復(fù)迭代后求得的偏差J的變化小于預(yù)設(shè)精度值ε，則表明算法收斂，計(jì)算結(jié)束，否則返回2)重新計(jì)算。

3.如權(quán)利要求2所述的一種基于K-means聚類的全脈沖數(shù)據(jù)無(wú)損壓縮方法，其特征在于：聚類數(shù)