科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对传统的K-means对初始K值及初始化中心敏感的问题，提出检测点速度预聚类和关联门的概念，对传统的K-means聚类进行改进。根据毫米波雷达采集数据的稀疏性，建立缓存区进行运动补偿增加K-means聚类数据样本。改进的K-means算法利用速度预聚类确定K值，将K-means由无监督学习变为监督学习，对聚类结果进行一次关联门处理重新确定聚类中心，基于聚类中心进行二次关联门，分离检测出目标。相对于传统K-means聚类方法，可以确定聚类所需的K值和初始化中心点，减少了传统K-means聚类得到最优解的迭代过程，同时避免K-means聚类陷入局部最优的问题。通过与已标注的数据标签的评判指标对比，验证了所提出算法的检测性能。
- 单位
