數(shù)據(jù)挖掘在調(diào)制識(shí)別中應(yīng)用及并行化實(shí)現(xiàn)研究.pdf

1、數(shù)據(jù)挖掘算法可以從大量的數(shù)據(jù)中搜索出有價(jià)值的信息，常用的分析方法主要有分類和聚類。分類算法是一種有監(jiān)督學(xué)習(xí)算法，需要先從訓(xùn)練集中學(xué)習(xí)分類標(biāo)準(zhǔn)，然后根據(jù)學(xué)習(xí)到的分類標(biāo)準(zhǔn)對(duì)數(shù)據(jù)集進(jìn)行分類。聚類算法是一種無監(jiān)督學(xué)習(xí)算法，它能夠在無先驗(yàn)知識(shí)的條件下，找出數(shù)據(jù)集的分布結(jié)構(gòu)，將數(shù)據(jù)集劃分成多個(gè)簇。本文主要研究利用數(shù)據(jù)挖掘的調(diào)制樣式識(shí)別及并行化實(shí)現(xiàn)。
　　首先，介紹了數(shù)據(jù)挖掘算法和調(diào)制樣式識(shí)別的研究背景和關(guān)鍵技術(shù)，并詳細(xì)介紹了k-means算法

2、、DBSCAN算法和RBM模型。
　　其次，推導(dǎo)了MASK、MPSK、MQAM和2FSK信號(hào)高階矩的通用公式，計(jì)算得到2ASK、4ASK、QPSK、8PSK、2FSK和16QAM信號(hào)的高階累積量理論值，并提取兩個(gè)特征參數(shù)。提出了基于混合三階受限玻爾茲曼機(jī)(Hybrid Three-order Restricted Boltzmann Machine, H3RBM)的數(shù)字調(diào)制信號(hào)識(shí)別方法。仿真結(jié)果表明，H3RBM訓(xùn)練時(shí)間短，信號(hào)識(shí)別

3、率高。
　　然后，提出了一種基于并行k-means算法的調(diào)制樣式識(shí)別方法。采用隨機(jī)抽樣的方式將數(shù)據(jù)集劃分成多個(gè)塊；通過預(yù)聚類優(yōu)化初始聚類中心，通過線性預(yù)測平均聚類中心加快聚類效率。該方法對(duì)2ASK、4ASK、QPSK、8PSK、2FSK和16QAM信號(hào)的識(shí)別不需要訓(xùn)練集。仿真結(jié)果表明，提出的并行方式具有更高的聚類效率，并且具有較高的信號(hào)識(shí)別率。
　　最后，提出了一種基于并行DBSCAN算法的調(diào)制樣式識(shí)別方法。利用粒子群算法搜