信号特征组合选取方法、装置、计算机设备及存储介质与流程
本发明涉及信号处理技术领域，特别是涉及一种信号特征组合选取方法、装置、计算机设备及存储介质。
背景技术：
在数字通信系统中，复用技术广泛应用于需要高效利用信道的数字通信网中。在实际工作中，作为信号的非合作接收方，经常会接收到多种类型的复接信号，并且需要对接收到的复接信号进行分接处理，将复接信号还原为复接前的各支路信号。
传统技术中，通常利用信号的报面特征，半自动化的对复接信号进行分接处理。但是，作为信号的非合作接收方，对于接收到的信号未知，无训练样本可供参考，无法预知对于所选报面特征组合的聚类结果，从而导致分接处理的准确率较低。
技术实现要素：
基于此，有必要针对上述技术问题，提供一种信号特征组合选取方法。
第一方面，本发明实施例提供一种信号特征组合选取方法，包括：
对预处理后的报面特征进行组合处理，得到特征组合；
根据所述预处理后的报面特征，对待处理信号的时隙进行预分类处理，得到预分类数量；
根据所述预分类数量，获取初始类簇数量；
根据不同的初始类簇数量以及不同特征组合，对所述待处理信号的时隙进行聚类，并计算不同类簇时隙对应的轮廓系数；
计算所述轮廓系数对应的召回率；
通过所述召回率，确定目标特征组合以及目标类簇数量。
在其中一个实施例中，在对预处理后的报面特征进行组合处理，得到特征组合之前，所述方法还包括：
获取不同时隙中待处理信号的报面特征；
对所述报面特征进行预处理，得到预处理后的报面特征。
在其中一个实施例中，所述对所述报面特征进行预处理，得到预处理后的报面特征，包括：对所述报面特征进行零-均值规范化处理，得到预处理后的报面特征。
在其中一个实施例中，所述根据所述预处理后的报面特征，对待处理信号的时隙进行预分类处理，得到预分类数量，包括：通过特征差异率阈值以及所述预处理后的报面特征，对所述待处理信号的时隙进行预分类处理，得到所述预分类数量；
在其中一个实施例中，所述通过特征差异率阈值以及所述预处理后的报面特征，对所述待处理信号的时隙进行预分类处理，得到所述预分类数量，包括：
通过所述特征差异率阈值，以及两两时隙中所述待处理信号的报面特征值之间的差值，对所述待处理信号的时隙进行预分类处理，得到所述预分类数量。
在其中一个实施例中，所述根据不同的初始类簇数量以及不同特征组合，对所述待处理信号的时隙进行聚类，并计算不同类簇时隙对应的轮廓系数，包括：
根据不同的初始类簇数量以及不同特征组合，对所述待处理信号的时隙进行聚类，得到不同特征组合下对应的不同类簇；
计算不同类簇下不同特征组合对应的轮廓系数。
在其中一个实施例中，所述计算所述轮廓系数对应的召回率，包括：
对不同的初始类簇数量，同一种特征组合对应的轮廓系数进行比较，得到所述轮廓系数的最大值；
根据所述轮廓系数的最大值，确定所述同一种特征组合对应的类簇数量；
对不同特征组合对应的最大轮廓系数进行比较，得到三个最大的轮廓系数；
根据三个最大的所述轮廓系数确定对应的三种特征组合；
根据三种特征组合的聚类结果计算召回率。
在其中一个实施例中，所述通过所述召回率，确定目标特征组合以及目标类簇数量，包括：
获取最大召回率；
判断所述最大召回率是否满足预设条件；
若所述最大召回率满足所述预设条件，则得到所述目标特征组合以及所述目标类簇数量。
在其中一个实施例中，所述判断所述最大召回率是否满足预设条件之后，所述方法还包括：若所述最大召回率不满足所述预设条件，则更新初始类簇数量，并继续执行所述根据不同的初始类簇数量，计算不同特征组合对应的轮廓系数，直至得到所述目标特征组合以及所述目标类簇数量为止。
第二方面，本发明实施例提供一种信号特征组合选取装置，包括：
组合模块，用于对预处理后的报面特征进行组合处理，得到特征组合；
预分类模块，用于根据所述预处理后的报面特征，对待处理信号的时隙进行预分类处理，得到预分类数量；
获取类簇数量模块，用于根据所述预分类数量，获取初始类簇数量；
计算轮廓系数模块，用于根据不同的初始类簇数量以及不同特征组合，对所述待处理信号的时隙进行聚类，并计算不同类簇时隙对应的轮廓系数；
计算召回率模块，用于根据所述轮廓系数计算召回率；
确定模块，用于通过所述召回率，确定目标特征组合以及目标类簇数量。
第三方面，本发明实施例提供一种计算机设备，包括存储器、处理器，所述存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
对预处理后的报面特征进行组合处理，得到特征组合；
根据所述预处理后的报面特征，对待处理信号的时隙进行预分类处理，得到预分类数量；
根据所述预分类数量，获取初始类簇数量；
根据不同的初始类簇数量以及不同特征组合，对所述待处理信号的时隙进行聚类，并计算不同类簇时隙对应的轮廓系数；
计算所述轮廓系数对应的召回率；
通过所述召回率，确定目标特征组合以及目标类簇数量。
第四方面，本发明实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
对预处理后的报面特征进行组合处理，得到特征组合；
根据所述预处理后的报面特征，对待处理信号的时隙进行预分类处理，得到预分类数量；
根据所述预分类数量，获取初始类簇数量；
根据不同的初始类簇数量以及不同特征组合，对所述待处理信号的时隙进行聚类，并计算不同类簇时隙对应的轮廓系数；
计算所述轮廓系数对应的召回率；
通过所述召回率，确定目标特征组合以及目标类簇数量。
本实施例提供的信号特征组合选取方法、装置、计算机设备及存储介质，对预处理后的报面特征进行组合处理，得到特征组合，根据所述预处理后的报面特征，对待处理信号的时隙进行预分类处理，得到预分类数量，根据所述预分类数量，获取初始类簇数量，根据不同的初始类簇数量以及不同特征组合，对待处理信号的时隙进行聚类，计算不同类簇时隙对应的轮廓系数，计算所述轮廓系数对应的召回率，并通过所述召回率，确定目标特征组合以及目标类簇数量，以得到细分类处理最佳的分类效果，根据最佳的分类效果可以提高分接处理准确率。
附图说明
图1为一实施例提供的确定目标特征组合以及目标类簇数量的方法流程图；
图2为另一实施例提供的计算轮廓系数的具体方法流程图；
图3为另一实施例提供的计算召回率的方法流程图；
图4为一实施例提供的信号特征组合选取装置的结构示意图；
图5为一个实施例提供的计算机设备的内部结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例提供的信号特征组合选取方法，可以适用于计算机设备中。该计算机设备可以为智能手机、平板电脑、笔记本电脑、台式电脑或个人数字助理等具有数据处理功能的电子设备，本实施例对计算机设备的具体形式不做限定。
需要说明的是，本发明实施例提供的信号特征组合选取方法，其执行主体可以是信号特征组合选取装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。可选的，该计算机设备可以为智能手机、平板电脑、笔记本电脑、台式电脑或个人数字助理等具有数据处理功能的电子设备，本实施例对计算机设备的具体形式并不做限定。下述方法实施例的执行主体以计算机设备为例来进行说明。
为了使本发明的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本发明实施例中的技术方案的进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定发明。
图1为一实施例提供的信号特征组合选取方法的流程示意图。本实施例涉及的是确定目标特征组合以及目标类簇数量的过程。如图1所示，该方法包括：
s101、对所述预处理后的报面特征进行组合处理，得到特征组合。
具体的，信号特征组合选取装置可以对预处理后的报面特征进行自由组合，得到多种特征组合。需要说明的是，若报面特征的数量为n，自由组合后得到的m种特征组合，则m可以等于
s102、根据所述预处理后的报面特征，对待处理信号的时隙进行预分类处理，得到预分类数量。
具体的，根据预处理后的报面特征，对所有待处理信号的时隙进行预分类处理，该预分类处理可以称为粗分类处理，且预分类处理可以表征为根据分类阈值，对时分复用信号的任意一个报面特征进行粗分类。可选的，选择粗分类处理的对象可以为比特变换频率、比特出现频率、时隙均值、时隙方差以及游程中的任意一个。
可选的，在根据所述预处理后的报面特征，对待处理信号的时隙进行预分类处理，得到预分类数量的步骤之前，所述方法还包括：
s111、获取不同时隙中待处理信号的报面特征。
具体的，上述待处理信号可以为时分复用信号。可选的，上述报面特征可以表征为数字信号用二进制数值“0”和“1”编码后所表现出来的原始统计特征。
需要说明的是，按照时分复用信号的时隙，每个时隙中信号的报面特征可以包括比特变换频率、比特出现频率、时隙均值、时隙方差以及游程，且游程可以表征为信号的特征。例如，一个时隙中二进制编码“0”或“1”比特出现的次数；二进制编码“0变1”或“1变0”的变换次数等。
s112、对所述报面特征进行预处理，得到预处理后的报面特征。
可选的，所述对所述报面特征进行预处理，得到预处理后的报面特征，包括：对所述报面特征进行零-均值规范化处理，得到预处理后的报面特征。
具体的，上述预处理可以包括零-均值规范化处理。可选的，零-均值规范化处理可以表征为原始报面特征值x与原始报面特征值的均值
s103、根据所述预分类数量，获取初始类簇数量。
具体的，信号特征组合选取装置可以根据预分类处理后得到的预分类数量kn，确定初始类簇数量的范围，并在确定的范围内任意选取多个不同的初始类簇数量，对预处理后的报面特征进行细分类。可选的，初始类簇数量可以在[0.5kn，2kn]区间内任意取整数值。
s104、根据不同的初始类簇数量以及不同特征组合，对所述待处理信号的时隙进行聚类，并计算不同类簇时隙对应的轮廓系数。
具体的，信号特征组合选取装置可以根据选取的多个不同初始类簇数量，与m种特征组合为聚类的依据，对待处理信号的时隙进行聚类，并计算聚类结果得到的不同类簇时隙对应的轮廓系数。可选的，轮廓系数的数量可以等于聚类结果中类簇的数量。
s105、计算所述轮廓系数对应的召回率。
具体的，信号特征组合选取装置可以根据每一个轮廓系数对应的细分类结果计算对应的召回率。需要说明的是，上述召回率可以表征聚类结果中能够发现和已知类簇数量完全一致的概率，即在聚类处理后，分类结果中正确的类与所有正确的类的比值。可选的，召回率可以作为聚类效果优劣一种评估指标。
s106、通过所述召回率，确定目标特征组合以及目标类簇数量。
具体的，信号特征组合选取装置可以判断获取的召回率是否满足预设条件，以确定目标特征组合以及目标类簇数量。可选的，获取的目标特征组合以及目标类簇数量可以为细分类处理最佳的结果。
本实施例提供的信号特征组合选取方法，对预处理后的报面特征进行组合处理，得到特征组合，根据所述预处理后的报面特征，对待处理信号的时隙进行预分类处理，得到预分类数量，根据所述预分类数量，获取初始类簇数量，根据不同的初始类簇数量以及不同特征组合，对待处理信号的时隙进行聚类，并计算不同类簇时隙对应的轮廓系数，然后计算所述轮廓系数对应的召回率，通过所述召回率，确定目标特征组合以及目标类簇数量，以得到细分类处理最佳的分类效果，根据最佳的分类效果可以提高分接处理准确率。
在其中一个实施例中，所述根据所述预处理后的报面特征，对待处理信号的时隙进行预分类处理，得到预分类数量，包括：通过特征差异率阈值，根据所述预处理后的报面特征，对所述待处理信号的时隙进行预分类处理，得到所述预分类数量。
可选的，所述通过特征差异率阈值，对所述待处理信号的时隙进行预分类，得到所述预分类数量，包括：通过所述特征差异率阈值，以及两两时隙中所述待处理信号的报面特征值之间的差值，对待处理信号的时隙进行预分类处理，得到所述预分类数量。
具体的，信号特征组合选取装置可以将特征差异率阈值，与两两时隙中时分复用信号的报面特征值之间的差值，对时分复用信号的时隙进行预分类处理，根据预分类处理结果，得到预分类数量，其中，特征差异率阈值可以为5％至9％之间。
需要说明的是，以比特出现频率为分类对象，当两两时隙中时分复用信号的比特出现频率之间的差值小于等于特征差异率阈值时，可以将这两个时隙中时分复用信号的比特出现频率归为同一类；若两两时隙中时分复用信号的比特出现频率之间的差值大于特征差异率阈值时，则说明预分类处理失败，此时，可以更换预分类处理对象和/或特征差异率阈值，重新执行预分类处理，直到预分类处理对象均满足预分类处理的条件，得到预分类数量可以表示为kn，其中，预分类处理对象可以为比特变换频率、比特出现频率、时隙均值、时隙方差以及游程中的任意一个。可选的，预分类处理的条件可以表征为两两时隙中时分复用信号的预分类处理对象之间的差值大于特征差异率阈值。
本实施例提供的信号特征组合选取方法，通过特征差异率阈值，根据所述预处理后的报面特征，对所述待处理信号时隙进行预分类处理，得到所述预分类数量，通过预分类处理后可以进一步实现细分类处理，从而节省分类处理的时间。
图2为另一实施例提供的信号特征组合选取方法的流程示意图，如图2所示，上述s104中根据不同的初始类簇数量以及不同特征组合，对所述待处理信号的时隙进行聚类，并计算不同类簇时隙对应的轮廓系数，具体可以通过如下方式包括：
s1041、根据不同的初始类簇数量以及不同特征组合，对所述待处理信号的时隙进行聚类，得到不同特征组合下的不同类簇。
具体的，信号特征组合选取装置可以将选取的多个不同初始类簇数量，以及每一种特征组合为特征向量作为聚类处理的依据，对待处理信号的时隙进行聚类，得到不同特征组合下的不同类簇。可选的，选取的初始类簇数量可以基于每一种特征组合进行聚类处理，得到不同面特征组合下的不同类簇，并且多种不同的特征组合进行聚类处理后，均可以得到相同类簇。可选的，聚类的方式可以为收敛速度比较快的方法，具体可以包括报面特征直方图梯级划分法和k均值聚类算法。
s1042、计算不同类簇下不同特征组合对应的轮廓系数。
具体的，信号特征组合选取装置可以根据不同初始类簇数量以及每种特征组合，对待处理信号的时隙进行聚类处理后得到的多种不同类簇下的不同特征组合，计算不同类簇下不同特征组合对应的轮廓系数。
需要说明的是，上述轮廓系数可以定义为，
本实施例提供的信号特征组合选取方法，根据不同的初始类簇数量以及不同特征组合，对待处理信号的时隙进行聚类，得到不同特征组合下的不同类簇，计算不同类簇下的不同特征组合对应的轮廓系数，进而根据轮廓系数确定目标特征组合以及目标类簇数量，以得到细分类处理最佳的分类效果，根据最佳的分类效果可以提高分接处理准确率。
图3为另一实施例提供的信号特征组合选取方法的流程示意图，如图3所示，上述s105中计算所述轮廓系数对应的召回率，包括：
s1051、对同一种特征组合在不同的初始类簇数量下对应的轮廓系数进行比较，得到所述轮廓系数的最大值。
具体的，信号特征组合选取装置可以对同一种特征组合，在不同的初始类簇数量下进行聚类得到的聚类结果对应的轮廓系数进行比较，得到多个轮廓系数的最大值。其中，在不同的初始类簇数量下进行聚类得到的聚类结果，对应的轮廓系数的数量可以等于初始类簇的数量。
s1052、根据所述轮廓系数的最大值，确定所述同一种特征组合对应的类簇数量。
具体的，信号特征组合选取装置可以根据获取的轮廓系数的最大值，确定多种特征组合对应多个类簇数量k，还可以理解为，不同的初始类簇数量下，每一种特征组合可以有对应的轮廓系数的最大值，并且不同轮廓系数的最大值均有对应的聚类处理时的类簇数量。
s1053、对不同特征组合对应的最大轮廓系数进行比较，得到三个最大的轮廓系数。
具体的，信号特征组合选取装置可以对得到的每一种特征组合对应的最大轮廓系数进行比较，得到前三个最大的轮廓系数。
s1054、根据三个最大的所述轮廓系数确定对应的三种特征组合。
可选的，根据得到的前三个最大的轮廓系数，可以确定三种对应的特征组合。
s1055、根据三种特征组合的聚类结果计算召回率。
示例性的，若有一个数据集，将该数据集分成4类，分别为a，b，c，d，其中，a表示划分出的正确的类数量，b表示划分出的不正确的类数量，c表示正确但是未能划分出的类数量，d表示不正确且未能划分出的类数量，则召回率可以等于
本实施例提供的信号特征组合选取方法，对同一种特征组合在不同的初始类簇数量下对应的轮廓系数进行比较，得到所述轮廓系数的最大值，根据所述轮廓系数的最大值，确定所述同一种特征组合对应的类簇数量，对不同特征组合对应的最大轮廓系数进行比较，得到三个最大的轮廓系数，根据三个最大的所述轮廓系数确定对应的三种特征组合，根据三种特征组合的聚类结果计算召回率，进而根据召回率确定目标特征组合以及目标类簇数量，以得到细分类处理最佳的分类效果，根据最佳的分类效果可以提高分接处理准确率。
在其中一个实施例中，上述s106中通过所述召回率，确定目标特征组合以及目标类簇数量，包括：
s1061、获取最大召回率。
具体的，信号特征组合选取装置可以比较三种特征组合的聚类结果计算得到的三个召回率，得到最大召回率。
s1062、判断所述最大召回率是否满足预设条件。
具体的，上述预设条件可以为最大召回率大于70％。
s1063、若所述最大召回率满足所述预设条件，则得到所述目标特征组合以及所述目标类簇数量。
具体的，若最大召回率大于70％，则得到该召回率对应的特征组合以及对应的类簇数量，并将该特征组合以及类簇数量作为目标特征组合和目标类簇数量。还可以理解为，该特征组合以及类簇数量为最优特征组合和最佳类簇数量。
可选的，在判断所述最大召回率是否满足预设条件的步骤之后，所述方法还包括：若所述最大召回率不满足所述预设条件，则更新初始类簇数量，并继续执行所述根据不同的初始类簇数量，计算不同特征组合对应的轮廓系数，直至得到所述目标特征组合以及所述目标类簇数量为止。
需要说明的是，最大召回率小于70％，则信号特征组合选取装置可以更新初始类簇数量，还可以理解为，信号特征组合选取装置可以调整初始类簇数量的取值范围，且在调整后的取值范围内任意取整数值，并根据重新更新后的初始类簇数量继续执行聚类处理，计算轮廓系数，确定最大召回率，直到得到目标特征组合以及目标类簇数量为止，处理过程结束。可选的，调整后的初始类簇数量的取值范围可以为[0.2kn，3kn]。
本实施例提供的信号特征组合选取方法，获取最大召回率，判断所述最大召回率是否满足预设条件，若所述最大召回率满足所述预设条件，则得到所述目标特征组合以及所述目标类簇数量，以得到最佳的分类效果，从而根据最佳的分类效果可以提高分接处理准确率。
应该理解的是，虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
关于信号特征组合选取装置的具体限定可以参见上文中对于信号特征组合选取方法的限定，在此不再赘述。上述计算机设备的信号特征组合选取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图4为一实施例提供的信号特征组合选取装置结构示意图。如图4所示，该装置可以包括：组合模块11、预分类模块12、获取类簇数量模块13、计算轮廓系数模块14、计算召回率模块15以及确定模块16。
具体的，所述组合模块11，用于对预处理后的报面特征进行组合处理，得到特征组合；
所述预分类模块12，用于根据所述预处理后的报面特征，对待处理信号的时隙进行预分类处理，得到预分类数量；
所述获取类簇数量模块13，用于根据所述预分类数量，获取初始类簇数量；
所述计算轮廓系数模块14，用于根据不同的初始类簇数量以及不同特征组合，对所述待处理信号的时隙进行聚类，并计算不同类簇下不同类簇时隙对应的轮廓系数；
所述计算召回率模块15，用于计算所述轮廓系数对应的召回率；
所述确定模块16，用于通过所述召回率，确定目标特征组合以及目标类簇数量。
可选的，所述装置还包括：所述获取报面特征模块17，用于获取不同时隙中待处理信号的报面特征；
所述预处理模块18，用于对所述报面特征进行预处理，得到预处理后的报面特征；
本实施例提供的信号特征组合选取装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述预处理模块18具体用于对所述报面特征进行零-均值规范化处理，得到预处理后的报面特征。
本实施例提供的信号特征组合选取装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述预分类模块12包括第一分类单元121。
具体的，所述第一分类单元121，用于通过特征差异率阈值，根据所述预处理后的报面特征，对所述待处理信号的时隙进行预分类处理，得到所述预分类数量。
可选的，所述第一分类单元121具体用于通过所述特征差异率阈值，以及两两时隙中所述待处理信号的报面特征值之间的差值，对所述待处理信号的时隙进行预分类，得到所述预分类数量。
本实施例提供的信号特征组合选取装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述计算轮廓系数模块14包括：第二分类单元141和第一计算单元142。
具体的，所述第二分类单元141，用于根据不同的初始类簇数量以及不同特征组合，对所述待处理信号的时隙进行聚类，得到不同特征组合下对应的不同类簇；
所述第一计算单元142，用于计算不同类簇下不同特征组合对应的轮廓系数。
本实施例提供的信号特征组合选取装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述计算召回率模块15包括：第一比较单元151、第一确定单元152、第二比较单元153、第二确定单元154以及第二计算单元155。
具体的，所述第一比较单元151，用于对同一种特征组合在不同的初始类簇数量下对应的轮廓系数进行比较，得到所述轮廓系数的最大值；
所述第一确定单元152，用于根据所述轮廓系数的最大值，确定所述同一种特征组合对应的类簇数量；
所述第二比较单元153，用于对不同特征组合对应的最大轮廓系数进行比较，得到三个最大的轮廓系数；
所述第二确定单元154，用于根据三个最大的所述轮廓系数确定对应的三种特征组合；
所述第二计算单元155，用于根据三种特征组合的聚类结果计算召回率。
本实施例提供的信号特征组合选取装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述确定模块16包括：获取单元161、判断单元162以及第一确定单元163。
具体的，所述获取单元161，用于获取最大召回率；
所述判断单元162，用于判断所述最大召回率是否满足预设条件；
所述第一确定单元163，用于所述判断单元162的判断结果为是，得到所述目标特征组合以及所述目标类簇数量。
本实施例提供的信号特征组合选取装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述确定模块16还包括：第二确定单元164。
具体的，所述第二确定单元164，用于所述判断单元162的判断结果为不是，更新初始类簇数量，并确定继续执行所述根据不同的初始类簇数量以及不同特征组合，对所述待处理信号的时隙进行聚类，并计算不同类簇时隙对应的轮廓系数，直至得到所述目标特征组合以及所述目标类簇数量为止。
本实施例提供的信号特征组合选取装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，提供了一种计算机设备，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种信号特征组合选取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
对预处理后的报面特征进行组合处理，得到特征组合；
根据所述预处理后的报面特征，对待处理信号的时隙进行预分类处理，得到预分类数量；
根据所述预分类数量，获取初始类簇数量；
根据不同的初始类簇数量以及不同特征组合，对所述待处理信号的时隙进行聚类，并计算不同类簇时隙对应的轮廓系数；
计算所述轮廓系数对应的召回率；
通过所述召回率，确定目标特征组合以及目标类簇数量。
在一个实施例中，提供了一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
对预处理后的报面特征进行组合处理，得到特征组合；
根据所述预处理后的报面特征，对待处理信号的时隙进行预分类处理，得到预分类数量；
根据所述预分类数量，获取初始类簇数量；
根据不同的初始类簇数量以及不同特征组合，对所述待处理信号的时隙进行聚类，并计算不同类簇时隙对应的轮廓系数；
计算所述轮廓系数对应的召回率；
通过所述召回率，确定目标特征组合以及目标类簇数量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
- 还没有人留言评论。精彩留言会获得点赞！