發(fā)布時間：2020-12-30 13:33

　　毫米波雷達(dá)作為一種常見的傳感器,以其探測范圍大、探測精度高、抗干擾能力強(qiáng)的優(yōu)點(diǎn),正在逐漸成為如車載雷達(dá)、避障雷達(dá)的首選傳感器。隨著毫米波雷達(dá)的載波頻率逐漸由24GHz向77GHz進(jìn)行遷移,毫米波雷達(dá)的分辨率也越來越高,同一目標(biāo)的反射回波數(shù)量也隨之增加。因而需要采取一定聚類策略來簡化目標(biāo)個數(shù),方便后續(xù)的跟蹤處理環(huán)節(jié)隨著數(shù)據(jù)挖掘方面的成熟,聚類算法已經(jīng)有了很多的發(fā)展和進(jìn)步。但是針對毫米波雷達(dá)特征的聚類算法的研究卻相對較少,該領(lǐng)域具有很大的研究空間�；诖�,本文針對毫米波雷達(dá)的聚類算法進(jìn)行了研究,主要包括如下幾個部分:1、研究毫米波雷達(dá)探測目標(biāo)的數(shù)據(jù)分布特征,獲得探測目標(biāo)的分布規(guī)律。介紹毫米波雷達(dá)聚類中的通用方案——DBSCAN算法,驗(yàn)證DBSCAN算法在常見均勻數(shù)據(jù)集下聚類效果的有效性。針對DBSCAN算法在多密度數(shù)據(jù)集分布下的聚類性能缺點(diǎn)作了驗(yàn)證。2、針對DBSCAN算法在不均勻、多密度分布下的數(shù)據(jù)集的缺陷,在DBSCAN算法基礎(chǔ)上提出了新的算法思路。引入了數(shù)據(jù)分區(qū)的思想。提出了將網(wǎng)格聚類和密度聚類思路結(jié)合起來的分區(qū)密度聚類算法GDBSCAN算法,將算法需要的輸入變量由全局變量轉(zhuǎn)換為多個... 

【文章來源】： 孟慶愚 電子科技大學(xué)

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

毫米波雷達(dá)中國市場規(guī)模

電子科技大學(xué)碩士學(xué)位論文4頻率Hz時間t發(fā)射信號回波信號圖1-4 鋸齒波波形發(fā)射信號與回波信號示意圖 毫米波雷達(dá)算法中常用的檢測方法是恒虛警率（CFAR）檢測方法。在雷達(dá)信號檢測中，當(dāng)外界干擾強(qiáng)度變化后，雷達(dá)自動調(diào)整其靈敏度，使雷達(dá)的虛警概率保持不變。當(dāng)檢測目標(biāo)的幅值超過CFAR閾值時，就可以認(rèn)為此處存在目標(biāo)。常用的檢測算法有固定閾值檢測、自適應(yīng)閾值的CFAR檢測和非參量CFAR檢測。一般情況下常常采用CA-CFAR、OS-CFAR就可以滿足要求。當(dāng)然，如果遇到較為復(fù)雜的環(huán)境，可以根據(jù)實(shí)際情況選取合適的檢測算法。1.2.2毫米波雷達(dá)研究現(xiàn)狀毫米波雷達(dá)的研究開始于20世紀(jì)60年代，德國、美國、日本等發(fā)達(dá)國家最先展開了毫米波雷達(dá)的應(yīng)用。早期的毫米波雷達(dá)主要應(yīng)用在各大汽車廠商的防撞雷達(dá)上。隨著汽車逐漸作為日常必需品進(jìn)入家庭生活，進(jìn)一步引起了各大廠商對毫米波雷達(dá)的重視。從20世紀(jì)末到21世紀(jì)初，毫米波雷達(dá)產(chǎn)業(yè)迅速發(fā)展。目前毫米波雷達(dá)的關(guān)鍵技術(shù)主要由博世、富士通、大陸等傳統(tǒng)汽車巨頭所壟斷，但是核心技術(shù)對中國封鎖。圖1-52018年全球毫米波雷達(dá)市場集中情況

第二章毫米波雷達(dá)的多目標(biāo)檢測與聚類算法15基于密度的聚類算法�；诿芏鹊木垲愃惴ㄋ悸泛唵�，可以發(fā)現(xiàn)任何形狀的簇，很好的識別噪點(diǎn)，DBSCAN算法是最典型的毫米波雷達(dá)中應(yīng)用的聚類算法[29]。2.3.1DBSCAN算法基本概念DBSCAN算法需要設(shè)置兩個參數(shù)：Eps鄰域和MinPts密度閾值，這兩個值通常在實(shí)際需求中設(shè)置調(diào)節(jié)。下面對DBSCAN算法進(jìn)行詳細(xì)介紹。定義1：Eps鄰域、MinPts密度閾值:以給定對象P為圓心，半徑為Eps的圓形區(qū)域，稱之為對象P的Eps鄰域。判斷對象P在鄰域內(nèi)是否屬于核心點(diǎn)的門限值稱之為MinPts密度閾值。rp圖2-6 對象P的Eps鄰域 定義2：核心點(diǎn)、邊界點(diǎn)、噪點(diǎn):如果對于給定對象P，在P的Eps鄰域內(nèi)的對象數(shù)至少包含MinPts個數(shù)量，則認(rèn)為P是核心點(diǎn)。否則，如果P在其他核心對象的鄰域內(nèi)，但其本身不屬于核心對象，則將P認(rèn)為是邊界點(diǎn)。既不是核心對象又不是邊界對象的則認(rèn)為是噪點(diǎn)。如圖2-7所示：核心點(diǎn)P邊界點(diǎn)Q噪點(diǎn)N圖2-7核心點(diǎn)、邊界點(diǎn)、噪點(diǎn)

【參考文獻(xiàn)】：
期刊論文
[1]K-Means聚類算法研究綜述[J]. 楊俊闖,趙超.  計(jì)算機(jī)工程與應(yīng)用. 2019(23)
[2]車載毫米波雷達(dá)國內(nèi)外發(fā)展現(xiàn)狀綜述[J]. 韓寶石,王崢.  數(shù)字通信世界. 2019(09)
[3]基于文本挖掘的自動非負(fù)矩陣分解的層次聚類方法[J]. 張文碩,許艷春,謝術(shù)芳.  江蘇科技信息. 2019(04)
[4]DBSCAN算法研究及并行化實(shí)現(xiàn)[J]. 宋董飛,徐華.  計(jì)算機(jī)工程與應(yīng)用. 2018(24)
[5]基于OPTICS聚類的差分隱私保護(hù)算法的改進(jìn)[J]. 王紅,葛麗娜,王蘇青,王麗穎,張翼鵬,梁竣程.  計(jì)算機(jī)應(yīng)用. 2018(01)
[6]一種改進(jìn)的自適應(yīng)快速AF-DBSCAN聚類算法[J]. 周治平,王杰鋒,朱書偉,孫子文.  智能系統(tǒng)學(xué)報(bào). 2016(01)
[7]密度不敏感的近鄰傳播聚類算法研究[J]. 馮曉磊,于洪濤.  計(jì)算機(jī)工程. 2012(02)
[8]改進(jìn)的共享最近鄰聚類算法[J]. 李霞,蔣盛益.  計(jì)算機(jī)工程與應(yīng)用. 2011(08)
[9]網(wǎng)格聚類算法[J]. 趙慧,劉希玉,崔海青.  計(jì)算機(jī)技術(shù)與發(fā)展. 2010(09)
[10]基于網(wǎng)格分區(qū)確定DBSCAN參數(shù)的方法[J]. 龐洋,徐巧鳳.  計(jì)算機(jī)與現(xiàn)代化. 2010(05)

碩士論文
[1]基于毫米波雷達(dá)的防撞預(yù)警系統(tǒng)設(shè)計(jì)[D]. 顧曉.南京大學(xué) 2019
[2]基于DBSCAN的空間聚類算法研究與實(shí)現(xiàn)[D]. 劉勇.云南大學(xué) 2017
[3]聚類分析中基于密度算法的研究與改進(jìn)[D]. 林澤楨.復(fù)旦大學(xué) 2013



本文編號：2947729