Обнаружения раздела на основе расстояния
Раздел набора обнаружений задан как деление этих обнаружений в непустые взаимоисключающие ячейки обнаружения. Используя несколько порогов расстояния, можно использовать функцию, чтобы разделить обнаружения на различные ячейки обнаружения и получить все возможные разделы с помощью или distance-partitioning или density-based spatial clustering of applications with noise (DBSCAN). Кроме того, можно выбрать метрику расстояния в качестве расстояния Mahalanobis или Евклидова расстояния путем определения 'Distance' Аргумент пары "имя-значение".
Разделение расстояния является алгоритмом разделения значения по умолчанию partitionDetections. В разделении расстояния кластер обнаружения включает обнаружения, расстояние которых, по крайней мере, до еще одного обнаружения в кластере меньше порога расстояния. Другими словами, два обнаружения принадлежат тому же кластеру обнаружения, если их расстояние меньше порога расстояния. Чтобы использовать разделение расстояния, можно задать 'Algorithm' Аргумент Name-Value как 'Distance-Partitioning' или просто не задавайте 'Algorithm' аргумент.
partitions = partitionDetections(detections)detections использование делящего расстояние алгоритма. По умолчанию функция использует алгоритм разделения расстояния и считает все вещественное значение порогами расстояния Mahalanobis между 0,5 и 6.25 и возвращает максимум 100 разделов.
partitions = partitionDetections(detections,tLower,tUpper)tLower и tUpper.
partitions = partitionDetections(detections,tLower,tUpper,'MaxNumPartitions',maxNumber)maxNumber.
partitions = partitionDetections(detections,allThresholds)
[ дополнительно возвращает вектор индекса partitions,indexDP] = partitionDetections(detections,allThresholds)indexDP представление соответствия между всеми порогами и получившимися разделами.
Чтобы использовать разделение DBSCAN, задайте 'Algorithm' аргумент как 'DBSCAN'.
partitions = partitionDetections(detections,'Algorithm','DBSCAN')
partitions = partitionDetections(detections,epsilon,minNumPoints,'Algorithm','DBSCAN')epsilon и минимальное число точек на кластерный minNumPoints из алгоритма DBSCAN.
[ дополнительно возвращает вектор индекса partitions,indexDB] = partitionDetections(detections,epsilon,minNumPoints,'Algorithm','DBSCAN')indexDB представление соответствия между пороговыми значениями epsilon и получившиеся разделы.
Используя 'Distance' Аргумент Name-Value, можно задать метрику расстояния, используемую в разделении.
___ = partitionDetections(___,'Distance', дополнительно задает метрику расстояния как distance)'Mahalanobis' или 'Euclidean'. Используйте этот синтаксис с любым из аргументов ввода или вывода в предыдущих синтаксисах.
Сгенерируйте 2D обнаружения с помощью objectDetection.
rng(2018); % For reproducible results detections = cell(10,1); for i = 1:numel(detections) id = randi([1 5]); detections{i} = objectDetection(0,[id;id] + 0.1*randn(2,1)); detections{i}.MeasurementNoise = 0.01*eye(2); end
Извлеките и отобразите сгенерированные измерения положения.
d = [detections{:}];
measurements = [d.Measurement];
figure()
plot(measurements(1,:),measurements(2,:),'x','MarkerSize',10,'MarkerEdgeColor','b')
title('Measurements')
xlabel('x')
ylabel('y')
Сгенерируйте разделы от обнаружений с помощью разделения расстояния и считайте количество разделов.
partitions = partitionDetections(detections); numPartitions = size(partitions,2);
Визуализируйте разделы. Каждый цвет представляет кластер обнаружения.
figure() for i = 1:numPartitions numCells = max(partitions(:,i)); subplot(4,ceil(numPartitions/4),i); for k = 1:numCells ids = partitions(:,i) == k; plot(measurements(1,ids),measurements(2,ids),'.','MarkerSize',15); hold on; end title(['Partition ',num2str(i),' (',num2str(k),' Detection Clusters)']); end
Сгенерируйте 2D обнаружения с помощью objectDetection.
rng(2018); % For reproducible results detections = cell(10,1); for i = 1:numel(detections) id = randi([1 5]); detections{i} = objectDetection(0,[id;id] + 0.1*randn(2,1)); detections{i}.MeasurementNoise = 0.01*eye(2); end
Извлеките и отобразите сгенерированные измерения положения.
d = [detections{:}];
measurements = [d.Measurement];
figure()
plot(measurements(1,:),measurements(2,:),'x','MarkerSize',10,'MarkerEdgeColor','b')
title('Measurements')
xlabel('x')
ylabel('y')
Сгенерируйте разделы от обнаружений с помощью DBSCAN и считайте количество разделов.
[partitions,index] = partitionDetections(detections,[1.6;2],2,'Algorithm','DBSCAN'); numPartitions = size(partitions,2);
Визуализируйте разделы. Каждый цвет представляет кластер обнаружения.
figure() for i = 1:numPartitions numCells = max(partitions(:,i)); subplot(2,ceil(numPartitions/2),i); for k = 1:numCells ids = partitions(:,i) == k; plot(measurements(1,ids),measurements(2,ids),'.','MarkerSize',15); hold on; end title(['Partition ',num2str(i),' (',num2str(k),' Detection Clusters)']); end
От значений индекса первый раздел соответствует значению эпсилона 2 и второй раздел соответствует значению эпсилона 1.6.
index
index = 1×2 uint32 row vector
2 1
[1] Granstrom, Карл, Кристиан Ландкуист и Омут Оргунер. “Расширенное Целевое Отслеживание Используя Фильтр Gaussian-Mixture PHD”. Транзакции IEEE на Космических и Электронных системах 48, № 4 (октябрь 2012): 3268–86. https://doi.org/10.1109/TAES.2012.6324703.
[2] Сложный эфир, Мартин, Ханс-Питер Кригель, Йорг Сандер и Сяовэй Сюй. “Основанный на плотности Алгоритм для Обнаружения Кластеров в Больших Пространственных Базах данных с Шумом”. В Продолжениях Второй Международной конференции по вопросам Открытия Знаний и Анализа данных, 226–31. KDD ’96. Портленд, Орегон: Нажатие AAAI, 1996.