本文介绍了使用K-means算法进行停车位检测的方法，强调了K值选择的重要性，并提供了一段Matlab源码示例。通过无监督学习的K-means聚类，将雷达数据分为不同类别以实现目标检测。当K值适当时，可以得到准确的检测结果。文中还提及传统K-means算法的复杂度，并展示了部分Matlab界面函数代码。
⛄一、简介（附参考文献）
K-means将雷达接收到的稀疏数据聚类为不同的簇进行目标检测，聚类结果取决于参数K值和初始化中心的选取。K表示最终所聚类得到的类别，不同初始化聚类中心点和K值会得到不同结果。每一轮迭代重新计算质心位置，直至质心不再变化。
传统K-means聚类为无监督学习，而每个检测场景中毫米波雷达检测的目标数量是一定的。若K值不准确，则聚类结果是错误的。传统的K-means通过肘部原则来确定K值，将检测点与各簇的聚类中心的平方差和定义为畸变函数，如式（1）所示。该函数值会随着K值的增大而降低，达到某个K值后，收敛速度放慢，该K值则为K-means中最佳初始化K值。
式中：d2jc——第c
订阅专栏 解锁全文
扫一扫
3471
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
