模糊C-均值聚类优化的分布式估计融合量化设计

"这篇论文是2010年发表在《四川师范大学学报(自然科学版)》第33卷第4期的一篇自然科学论文，主要探讨了基于模糊C-均值聚类的最优量化器设计在多传感器分布式估计融合系统中的应用。作者是庄刘和曾艳，来自中国民航飞行学院计算机学院。论文关注的是在统计信息未知且通信带宽有限的情况下，如何通过优化的量化策略改善融合效果。" 在多传感器系统中，分布式估计融合是一个关键问题，其中每个传感器根据其观测数据生成局部估计，并将这些估计传递给融合中心进行整合。然而，在实际操作中，由于通信资源的限制，传感器的观测数据需要经过压缩编码，这通常涉及数据的量化。此外，当传感器的观测统计信息未知时，设计有效的量化器变得更加复杂。 V. Megalooikonomou等人提出的直和估计方法为解决这一问题提供了一种思路。该方法允许在不完全了解联合概率分布的情况下，利用训练数据进行估计。在此基础上，论文提到了硬C-均值聚类方法，它能改进基于回归树的量化器设计，但仍有提升空间。 为了进一步优化融合性能，论文提出了采用模糊C-均值聚类方法设计分站最优量化器。与硬C-均值聚类不同，模糊C-均值聚类允许数据点属于多个类别的概率，因此能够更好地处理不确定性和模糊性。这种方法旨在改进基于硬C-均值聚类的量化器，同时保持较低的存储复杂度，以适应直和估计框架。 论文的实验部分通过计算机模拟验证了所提方法的有效性，表明模糊C-均值聚类在处理未知联合概率分布的分布式估计融合问题上具有优越性。该研究对提高多传感器系统在各种实际应用场景下的性能，如环境监测、目标跟踪等领域，提供了理论支持和方法论贡献。 关键词：分布式估计、硬C-均值聚类、模糊C-均值聚类、直和估计 分类号：0211.9 文献标志码：A 文章编号：1001-8395(2010)04-0559-04 doi：10.3969/j.issn.1001-8395.2010.04.034