企业官网建设流程全解析

pointcloud_generation.m 点云生成

将cfar检测到的点，从极坐标系转直角坐标系。

functionpointCloud=pointcloud_generation(detections)% detections: CFAR检测后的[range, doppler, angle, rcs]detectPointsNum=size(detections,1);pointCloud=zeros(detectPointsNum,5);%[x y zvpower]fori=1:detectPointsNum range=detections(i,1);% 距离估计 velocity=detections(i,2);% 速度估计 az=detections(i,3);% 角度估计 % 转笛卡尔坐标 x=range * sind(az);y=range * cosd(az);z=0;% 当前假设2D线性阵列，垂直高度设为0，【可扩展为俯仰】 pointCloud(i,:)=[x, y, z, velocity, detections(i,4)];%[x y zvpower]end % % 绘制点云图 % X_pc=pointCloud(:,1);% 纵向距离(m)% Y_pc=pointCloud(:,2);% 横向距离(m)% Z_pc=pointCloud(:,3);% 高度(m)% V_pc=pointCloud(:,4);% 径向速度(m/s)% P_pc=pointCloud(:,5);% 反射功率(dB或线性)% %2. 功率映射为点的大小(防止功率数值太大或太小导致点消失或撑满屏幕)% % 使用归一化动态映射，将点的大小限制在20到150之间 %ifmax(P_pc)~=min(P_pc)% marker_size=20+130*(P_pc - min(P_pc))/(max(P_pc)- min(P_pc));%else% marker_size=40* ones(size(P_pc));% 若功率全等，固定大小 % end % % 绘制点云图 % figure('Color',[111]);% % 使用 scatter3 绘制4D点云 % % X, Y, Z 为空间坐标；marker_size 决定大小；V_pc 决定颜色 % scatter3(X_pc,Y_pc, Z_pc, marker_size, V_pc,'filled','MarkerEdgeColor',[0.30.30.3]);% %4. 绘制雷达原点，方便对比相对位置 % hold on;% plot3(0,0,0,'rp','MarkerSize',15,'MarkerFaceColor','r');% text(0,0,0.5,' 雷达(0,0,0)','Color','r','FontWeight','bold');% %5. 润色图表 % grid on;box on;% colormap(jet);% 蓝冷色代表速度小/靠近，红暖色代表速度大/远离 % cb=colorbar;% ylabel(cb,'径向速度 v (m/s)','FontSize',11);% % 坐标轴标签(严格对照雷达直角坐标系)% xlabel('纵向距离 X (米)','FontSize',11);% ylabel('横向距离 Y (米)','FontSize',11);% zlabel('高度 Z (米)','FontSize',11);% title('雷达 4D 空间点云成像结果 (大小:功率, 颜色:速度)','FontSize',12,'FontWeight','bold');% % 保持几何比例1:1，防止飞机被压扁或者拉长 % axis equal;view(0,90);end

中间结果

• 对于仿真的单个飞机目标，该目标质心的[距离, 目标中心与雷达角度, 航向速度, 航向角]=[60, 10, -4, 225]
  
  绘制的点云图如下，和仿真飞机目标位置与速度基本对应上了。
  

聚类

% 点的聚类 % 输入1：聚类算法1：DBSCAN2：K-Means3：X-Means % 输入2：数据集 data(N x5)% 输入3：聚类半径 EPS % 输入4：最小数据量 minPoints % 输出1：聚类数据 data_clusterfunctiondata_cluster=points_clustering(clusterMethod, data, eps, minpoints)% data: N x5矩阵[x, y, z, v, power]ifnargin<=2eps=2.5;% 最大搜索半径 【根据飞机大小设置，不然单个飞机会出现多个簇】 minpoints=10;% 最小点数 end

• 飞机的姿态（航向角）直接决定了最终点云在直角坐标系里的空间疏密和延展方向。当飞机朝着雷达迎头直飞时，机头挡住了机身，而后掠翼的边缘与雷达射线的夹角极其锐利，此时，雷达漏掉大批点迹，点云在空间上会缩水成一个极其狭窄的“一字形”或几个孤立的强点（如发动机、机头）。

• 可根据飞机姿态调整聚类参数。
  聚类半径
  侧飞/斜切进场：点云饱满，此时 eps 不需要太大
  迎头对冲/背道而驰：点迹可能断层，调大eps
  最小聚集点数
  侧飞/斜切进场：抬高最小聚集点数
  迎头对冲/背道而驰：减小聚集点数

• 如何知道飞机是否侧飞呢？
  1.根据cfar检测结果，每个点的径向速度已知，如果飞机是笔直迎头飞来，机身所有点的径向速度几乎一致。飞机侧飞时，不同部位的径向速度就会产生明显差异。所以可计算检测点的径向速度标准差作为评估指标，越大就表明飞机斜切越厉害。不过这种计算标准差，仅适用于单个目标。
  2.可以利用前面帧卡尔曼滤波器估计到的飞机运动轨迹和航速，判断飞机是否侧飞，做自适应聚类。

%【除了用距离，也可以加上多普勒速度进行聚类】 features=data(:,1:3);% 提取用于聚类的特征维度[x,y,z]方便做 norm 距离计算ifclusterMethod==1% DBSCAN %1-----调用MATLAB内置的高效函数dbscan % idx 返回每个点对应的簇标签。如果点被判定为噪声/离群点，idx 会被赋予-1% idx=dbscan(features, eps, minpoints);%[dataNum,1]%2-----调用实现的my_dbscan函数 idx=my_dbscan(features, eps, minpoints);% 剔除噪声点（离群点） outliers_mask=(idx==-1);data(outliers_mask,:)=[];idx(outliers_mask)=[];data_cluster=[data, idx];%[dataNum,6]最后一列 簇标签idx（聚类ID）

对于仿真的单个飞机目标，该目标质心的[距离, 目标中心与雷达角度, 航向速度, 航向角]=[60, 10, -4, 225]

• matlab自带dbscan，中间结果
  
• my_dbscan，中间结果
  

elseif clusterMethod==2% K-Means % 局限性说明：K-Means 无法识别噪声点，且必须输入固定的 K 值 % 在实际多目标雷达管线中，通常不建议直接用标准 K-Means % 假设场上有3个目标 fixed_K=3;ifsize(features,1)<fixed_K idx=ones(size(features,1),1);% 点数不够分，塞进一类else% 调用matlab内置的 kmeans，'Replicates',3表示尝试3次初始化取最优，防止陷入局部极小值 idx=kmeans(features, fixed_K,'Replicates',3,'Display','off');end data_cluster=[data, idx];

不建议直接用kmeans。

elseif clusterMethod==3% X-Means % 自适应K值，从 K_min 开始，通过 BIC 评分自动分裂，直到 K_max k_min=1;k_max=8;% 限制单帧最大可能的目标数 idx=run_xmeans(features, k_min, k_max, targetnum);data_cluster=[data, idx];end plot_cluster_birdseye(data_cluster, clusterMethod);end

子函数部分
自实现的dbscan算法，用于了解算法过程。

functionidx=my_dbscan(X, epsilon, minPts)% 输入: % X - N x2或 N x3的点云/点迹坐标矩阵 % epsilon - 邻域半径（距离门限） % minPts - 成为核心点所需的最小邻居数（含自身） % 输出: % idx - N x1向量，记录每个点所属的聚类ID（0代表噪声/野点） numPoints=size(X,1);idx=zeros(numPoints,1);% 初始化：0 代表未分类（Unvisited / Noise） clusterId=0;% 聚类标签计数器 % 步骤1：利用 MATLAB 矩阵矩阵秒算“两两欧氏距离矩阵”(N x N)% pdist2（Pairwise Distance Matrix，成对距离矩阵计算） 比双重for循环快几百倍 % D=pdist2(X, Y)：矩阵D的行数等于X的点数，列数等于Y的点数 distMatrix=pdist2(X, X);%[N, N]对称矩阵，对角线全0（自己到自己的距离是0） % 步骤2：主循环，遍历每一个点fori=1:numPoints % 如果这个点已经被某个群吞并了，直接跳过ifidx(i)~=0continue;end % 寻找当前点的所有邻居索引 neighbors=find(distMatrix(i,:)<=epsilon);% 步骤3：密度检查iflength(neighbors)<minPts % 邻居太少，暂时标记为噪声（0），等别人来吞并它 idx(i)=0;else% 邻居足够，恭喜你成为核心点！开辟一个新帮派 clusterId=clusterId +1;idx(i)=clusterId;% 开始“顺藤摸瓜”：把邻居放入一个动态队列中去扩展 queue=neighbors;queue(queue==i)=[];% 队列中移出自己while~isempty(queue)currentPoint=queue(1);% 取出队列第一个点 queue(1)=[];% 出队 % 如果这个点之前被误判为噪声，现在把它收编进当前帮派ifidx(currentPoint)==0idx(currentPoint)=clusterId;end % 如果这个点已经被其他正常帮派收编了，跳过它 % 边界点的归属采用"先到先得"的原则，允许微小的边界模糊，比强行去合并两个独立的物理目标安全得多ifidx(currentPoint)~=clusterId&&idx(currentPoint)>0continue;end % 关键扩展：检查这个邻居是不是也是一个核心点 currentNeighbors=find(distMatrix(currentPoint,:)<=epsilon);% 如果它也是核心点（有带小弟的能力）iflength(currentNeighbors)>=minPts % 它的所有未分类小弟，都要加入我们的考察队列fork=1:length(currentNeighbors)neighborPoint=currentNeighbors(k);ifidx(neighborPoint)==0% 未访问过或曾是噪声 idx(neighborPoint)=clusterId;% 现场收编 queue=[queue, neighborPoint];%#ok<AGROW> % 加入扩展队列end end end end %while队列扩展结束 end end %for主循环结束 end

xmeans聚类算法

functionidx=run_xmeans(X, k_min, k_max)[N, M]=size(X);% N个点，M个维度(3)ifN<=k_min idx=ones(N,1);% 塞进一类return;end % 初始状态：从 k_min 开始做初始 K-means current_K=k_min;idx=kmeans(X, current_K,'Replicates',2,'Display','off');% 开始迭代尝试分裂whilecurrent_K<k_max changed=false;new_idx=idx;offset=0;% 用于修正分裂后的标签偏移fori=1:current_K % 抠出当前第 i 个簇的所有点 cluster_mask=(idx==i);X_sub=X(cluster_mask,:);N_sub=size(X_sub,1);% 如果这个簇点数太少（少于4个点），就没必要再分裂了ifN_sub<4new_idx(cluster_mask)=i + offset;continue;end % 【物理几何尺寸叫停机制】 % 如果一个簇在 X（距离）、Y（横向距离）、Z（高度）方向上的最大跨度已经小于你雷达的物理分辨率 % （或者一个合理的物理阈值，比如0.3米，那它在物理上绝对已经是一个不可分割的“单体”了。 % 计算这个簇在 X, Y, Z 三个物理维度上的最大跨度（几何尺寸） cluster_span=max(X_sub,[],1)- min(X_sub,[],1);% 如果它在任何一个方向的跨度都小于0.6米（说明已经聚成一团完美点迹了） % 直接强行跳过，不准它参与任何 BIC 计算和分列！ifall(cluster_span<0.6)% 这个值经过几次调试得到，一开始设置的0.4，还是会将单个点目标分割 new_idx(cluster_mask)=i + offset;continue;% 强行保命，不许切！ end % 计算不分裂时的原始 BIC 分数 bic_parent=calculate_bic(X_sub,1);% 尝试对这个簇进行2-Means 强行一分为二 try sub_idx=kmeans(X_sub,2,'Replicates',2,'Display','off');% 计算分裂后的新 BIC 分数 bic_child=calculate_bic(X_sub, sub_idx);catch bic_child=-Inf;% 如果 kmeans 报错，放弃分裂 end % 判断标准：如果分裂后的 BIC 分数更高，说明切开更好！ifbic_child>bic_parent % 接受分裂：将原先的标签 i，变成两个互不干扰的新标签 sub_idx_adjusted=sub_idx;sub_idx_adjusted(sub_idx==1)=i + offset;sub_idx_adjusted(sub_idx==2)=current_K + offset +1;new_idx(cluster_mask)=sub_idx_adjusted;offset=offset +1;% 增加了一个新簇 changed=true;else% 拒绝分裂：保持原样，仅做标签修正 new_idx(cluster_mask)=i + offset;end end % 更新总体局势 idx=new_idx;current_K=current_K + offset;% 如果遍历了所有簇，没有任何一个簇想继续分裂，或者达到了最大 K 限制，就退出if~changed||current_K>=k_maxbreak;end end % 规整标签，使其连续（例如把1,3,7变成1,2,3）[~, ~, idx]=unique(idx);end %%==================📐 数学工具：BIC(贝叶斯信息准则)计算器==================functionbic=calculate_bic(X, idx)% 该函数专门用于评估在 X 数据集上，当前的聚类划分 idx 分数是多少[N, M]=size(X);K=length(unique(idx));% 计算全场方差(估计最大似然)variance=0;fori=1:K cluster_mask=(idx==i);X_sub=X(cluster_mask,:);ifsize(X_sub,1)>1centroid=mean(X_sub,1);variance=variance + sum(sum((X_sub-centroid).^2));end end variance=variance /(N - K);ifvariance<=eps bic=-Inf;% 方差为0说明重合，属于无效划分return;end % 计算对数似然度(Log-Likelihood)log_likelihood=0;fori=1:K cluster_mask=(idx==i);N_n=sum(cluster_mask);ifN_n>0% X-Means 论文中的标准极大似然估计公式 log_likelihood=log_likelihood + N_n * log(N_n)- N_n * log(N)... -(N_n * M /2)* log(2* pi * variance)... -(N_n -1)/2;end end % 计算自由参数个数(自由度)% 每个中心有 M 维坐标，加上一个方差项 num_parameters=K *(M +1);% BIC 终极公式：得分=似然度 - 参数复杂度惩罚项 % 惩罚项能有效防止算法无节制地分裂成无数个极小的簇 penalty_factor=2.5;bic=log_likelihood - penalty_factor*(num_parameters /2)* log(N);end

functionplot_cluster_birdseye(data_cluster, clusterMethod)% plot_cluster_birdseye - 绘制雷达点云聚类的二维鸟瞰图 % % 输入参数: % data_cluster:N x6矩阵[x, y, z, v, power, cluster_id]% 最后一列必须是聚类算法输出的有效簇标签 idx % clusterMethod: 标量，1：DBSCAN2：K-Means3：X-Means(仅用于标题字符串切换)% ---1. 安全防呆检查 ---ifisempty(data_cluster)warning("输入的数据集为空，取消图表绘制！");return;endifsize(data_cluster,2)<6error("输入数据格式不合理！矩阵至少需要6列 [x, y, z, v, power, cluster_id]。");end % ---2. 提取聚类标签并去重 --- idx=data_cluster(:,6);unique_clusters=unique(idx);num_clusters=length(unique_clusters);% ---3. 核心绘图引擎 ---if~isempty(unique_clusters)% 创建独立画布，设置合适的分辨率和宽高比 figure('Color','w','Position',[200,200,800,650]);hold on;box on;grid on;% 定义不同独立目标的图形样式库（防止目标太多导致标记重复） marker_library={'o','s','^','d','v','>','<','p','h'};forii=1:num_clusters cluster_id=unique_clusters(ii);% 筛选出当前目标集群的所有散射点迹 cluster_mask=(data_cluster(:,6)==cluster_id);cluster_data=data_cluster(cluster_mask,:);x_val=cluster_data(:,1);y_val=cluster_data(:,2);v_val=cluster_data(:,4);% 提取第四列的物理速度 % 根据当前的循环序数自适应选取图形形状 m_style=marker_library{mod(ii-1, length(marker_library))+1};% 使用 scatter 绘制二维投影，通过 v_val 实现动态颜色映射 scatter(x_val, y_val,45, v_val, m_style,'filled',...'LineWidth',1,'MarkerEdgeColor','k',...'DisplayName',['目标集群 ', num2str(cluster_id)]);end % ---4. 视角锁定与几何形状保真对账 --- view(0,90);% 强制锁定正上方绝对俯视视角 axis equal;% 强行保持一比一物理横纵比，防止飞机等扩展目标形状被拉伸变形 % ---5. 色彩轴(Colorbar)渲染配置 --- c=colorbar;c.Label.String='雷达径向速度 (m/s)';c.Label.FontSize=11;colormap(jet);% jet 渲染器：蓝色靠近（负速），红色远离（正速） % 动态界定速度色彩轴的显示范围，防止全场单一速度时 colorbar 报错 v_min=min(data_cluster(:,4));v_max=max(data_cluster(:,4));ifv_max ~=v_min caxis([v_min -1, v_max +1]);end % ---6. 标签与图例张贴 --- method_names={'DBSCAN','K-Means','X-Means'};ifclusterMethod>=1&&clusterMethod<=3method_str=method_names{clusterMethod};elsemethod_str='未知算法';end title(sprintf('%s 聚类鸟瞰图 (颜色表示速度)', method_str),'FontSize',12);xlabel('X 轴 (横向距离 m)','FontSize',11);ylabel('Y 轴 (纵向距离 m)','FontSize',11);legend('Location','best');elsewarning("数据集中未检测到任何有效分类标签，请检查前级聚类算法！");end end

• x-means是k-means的高级版。自适应分类数，通过比较每个簇的分裂前后评分，确定最佳分类数。关键点，我的仿真点总是被划分为好几类，所以加了一个物理几何叫停机制，就是当两个簇之间的跨度小于指定距离时（可通过雷达分辨率确定或者自己尝试几次确定），那它就是一个单体。分裂前后的BIC评分机制，是贝叶斯和最大似然估计，加上参数复杂度惩罚项。
• 特点，有个物理几何尺寸叫停机制。这里我尝试到est_siz = 9.0 时才聚类出实际的1个目标。