晴子的聚类算法

   

4D毫米波雷达目标聚类算法开发实施计划及里程碑

一、4D毫米波雷达

毫米波雷达

4D毫米波雷达

聚类算法

分类算法--有监督  聚类算法--无监督

K-means

随机选择K个点（K类）作为起始质心，当任意一个点的簇分配结果发生改变时，对数据集中的每个数据点，对每个质心，计算质心与数据之间的距离，将数据点分配到距离其最近的簇。对每一个簇，计算簇中所有点的均值并将其作为新的质心。依次迭代，变换质心。直到质心几乎不再发生变化。

缺点：要手动指定K值.对于笑脸这样不规则点多的不好用。

实例代码：处理一张老虎的彩色图片（本来是0~255,256个类，现在把K值设定为128）np.

Jupyter

几种聚类算法的实际应用都有相应的函数，只需要传参调用即可。

DBSCAN基于密度带有噪声点的

找离群点特别好

要指定半径和阈值

核心对象，周围半径内有多于min_samples（阀值）个点【即这个点周围达到一定的密度】

非核心对象，周围半径内少于min_samples个点

直接密度可达：若某点p在点q的r邻域内，且q是核心点，则p-q直接密度可达。

密度可达：若有一点的序列q0、q1、……qk,对于任意的qi-ai-1是直接密度可达的，则称q0到qk密度可达，这实际上是直接密度可达的“传播”。

边界点：无法再发展下线，圈不到除上线的其他点了。

噪声点：不属于任何一簇的点，离群点和任何核心对象之间的距离大于阀值

吸星大法，把半径内的点都归为自己一类的，然后周围被吸进去的点再去吸它自己半径内的点，不断向外扩张，直到离群点距离太远，吸不到。先随机设置一个对象 p，画圈，建新簇，直到圈不进去，无法发展下线，再重新选择一个不属于任何簇的点为对象，重新画圈，生成一个新的簇。

工作流程：输入数据集，指定半径和阈值，自动画圈吸点分簇。

如果想要了解具体计算过程，还是分析一下源码吧。

MEAN-SHIFT

在d维空间中，任选一个点，以这个点为圆心，h为半径做一个高维球，落在这个球内的所有点和圆心都会产生一个向量，向量是以圆心为起点落在球内的点位终点，然后把这些向量合成相加，得到的向量必然指向点最密集的区域，这个向量就是Meanshift向量。再以该向量的终点为圆心，再做一个高维球，重复步骤，再得到一个Meanshift向量。如此重复，可以收敛到概率密度最大的地方，也就是最稠密的地方。