This thread has been locked.
If you have a related question, please click the "Ask a related question" button in the top right corner. The newly created question will be automatically linked to this question.
https://e2e.ti.com/support/sensors-group/sensors/f/sensors-forum/1173642/choice-of-the-dbscan-algorithm
您好！
我使用的是 AWR1843雷达、我想在 OOB 演示中实现群集算法。 在其他演示中、我看到应用了 Dbscan 算法。 我想知道为什么选择 DBscan 而不是另一种群集算法。
如果还有另一个更高效的选项、请与我分享并解释选择原因？
谢谢、
Ben Hassine
您好 Ben、
我们发现 DBSCAN 是一种用于在雷达点云中查找集群的良好算法、因此在我们的演示中选择了使用该算法。 它根据 点云分布不同子部分的点密度查找不同形状的群集(取决于点云分布的性质、该分布会随每个新观察结果而变化) (定义密度的两个主要参数是 Epsilon 和点数)。 它 通过将 高密度区域内的点聚在一起、在嘈杂的雷达点云上表现得非常好、并忽略类似于噪声的稀疏区域。
此致、
高斯基
感谢您的响应。 K_means 算法会怎么样？ 根据我的研究、与 dbscan 相比、它的速度非常快。 确实、我们必须定义参数 K、但有"弯管方法"来选择最佳的群集数量。 我想知道它是否比 dbscan 更高效、以及我们是否可以在 OOB 演示中实现它。
DBSCAN 可以比 K-means 更好地解决不规则形状的集群问题。 此外、K-means 群集会将数据集上的所有点(包括噪声点和其他无兴趣点)分类到各自的群集中。
为了更清楚地说明、我想问您以下问题：
您好、 Kaushik、
非常感谢您的忏悔。
1) 1)问题1 ：我试图对"混凝土"或"金属"性质的"静态"物体进行集群和分类
2)问题2： 是的，我是说效率更高，原因有两个： 计算速度提高 ， 分类集群的结果更好。
那么、DBSCAN 是我的情况下的最佳算法、还是有另一种更好的算法？
DBSCAN 当然是 您用例的更好选择之一、但我无法声明它是最好的。
感谢您的回答、这对我有很大帮助。
