论文部分内容阅读
毫米波雷达作为一种常见的传感器,以其探测范围大、探测精度高、抗干扰能力强的优点,正在逐渐成为如车载雷达、避障雷达的首选传感器。随着毫米波雷达的载波频率逐渐由24GHz向77GHz进行迁移,毫米波雷达的分辨率也越来越高,同一目标的反射回波数量也随之增加。因而需要采取一定聚类策略来简化目标个数,方便后续的跟踪处理环节随着数据挖掘方面的成熟,聚类算法已经有了很多的发展和进步。但是针对毫米波雷达特征的聚类算法的研究却相对较少,该领域具有很大的研究空间。基于此,本文针对毫米波雷达的聚类算法进行了研究,主要包括如下几个部分:1、研究毫米波雷达探测目标的数据分布特征,获得探测目标的分布规律。介绍毫米波雷达聚类中的通用方案——DBSCAN算法,验证DBSCAN算法在常见均匀数据集下聚类效果的有效性。针对DBSCAN算法在多密度数据集分布下的聚类性能缺点作了验证。2、针对DBSCAN算法在不均匀、多密度分布下的数据集的缺陷,在DBSCAN算法基础上提出了新的算法思路。引入了数据分区的思想。提出了将网格聚类和密度聚类思路结合起来的分区密度聚类算法GDBSCAN算法,将算法需要的输入变量由全局变量转换为多个局部参量,改善DBSCAN算法不足。引入了共享最近邻的思想,将DBSCAN算法对距离的要求由欧式距离转换为共享最近邻个数,提出了基于DBSCAN算法的改进的共享最近邻密度聚类算法SNN算法,较好的弥补了常见密度聚类算法的不足。3、介绍了针对多密度分布情况下的其他密度聚类算法OPTICS算法和DPC算法。分析了算法在多密度、不均匀分布情况下聚类策略。验证了OPTICS算法对输入参数的不敏感性,针对DPC算法在数据分配和噪点处理的不足,提出了针对噪点和边界点的识别策略NN-DPC算法。4、介绍了针对聚类结果常用的两种有效性评估方式——外部评估和内部评估。对复杂分布环境下的算法进行了仿真验证。根据内部评估结果和数据集的聚类仿真结果,对前文提出的算法性能作了性能分析。对雷达的硬件平台作了相关介绍,并对雷达在实际场景下的聚类性能作了实际测试。