本發(fā)明屬于移動(dòng)機(jī)器人自主導(dǎo)航，尤其涉及一種基于自適應(yīng)kmeans算法的機(jī)器人未知環(huán)境探索方法。

背景技術(shù)：

1、近年來，隨著硬件設(shè)備的不斷完善，移動(dòng)機(jī)器人廣泛應(yīng)用于工業(yè)、醫(yī)療、農(nóng)業(yè)、服務(wù)業(yè)等各領(lǐng)域。自主探索與導(dǎo)航是移動(dòng)機(jī)器人研究領(lǐng)域中的一個(gè)重要分支，它涉及到機(jī)器人在未知環(huán)境中的探索。機(jī)器人未知環(huán)境探索旨在引導(dǎo)機(jī)器人進(jìn)入未知空間，目前在機(jī)器人探索領(lǐng)域的研究成果中，基于rrt（rapidly?exploring?random?tree，快速探索隨機(jī)樹）的邊界探索算法是最為廣泛的應(yīng)用方法。該探索策略由三個(gè)模塊組成：邊界檢測(cè)器模塊、濾波模塊、機(jī)器人任務(wù)分配器模塊。邊界檢測(cè)器模塊使用rrt算法檢測(cè)邊界點(diǎn)，并將檢測(cè)到的大量邊界點(diǎn)傳遞給過濾模塊。濾波模塊對(duì)邊界點(diǎn)進(jìn)行聚類，使用mean?shift聚類算法，過濾模塊負(fù)責(zé)刪除無效和過時(shí)的邊界點(diǎn)。最后，任務(wù)分配模塊通過信息增量計(jì)算選擇最優(yōu)的邊界點(diǎn)，將其分配給移動(dòng)機(jī)器人進(jìn)行探索。

2、基于rrt算法的邊界檢測(cè)器模塊通過構(gòu)建探索樹來識(shí)別邊界點(diǎn)。邊界點(diǎn)定義為：如果一個(gè)點(diǎn)位于地圖的未知區(qū)域，并且由rrt樹生長(zhǎng)過程中到達(dá)，則該點(diǎn)被認(rèn)為是邊界點(diǎn)。這樣的定義有助于機(jī)器人更有效地探索未知環(huán)境并識(shí)別其邊界。檢測(cè)到邊界點(diǎn)會(huì)被過濾模塊處理，過濾模塊中會(huì)使用到聚類算法，傳統(tǒng)的探索中采用mean?shift聚類算法。mean?shift算法是一種基于密度的非參數(shù)聚類算法，其核心思想在于假設(shè)不同簇的數(shù)據(jù)集具有不同的概率密度分布，找到任一樣本點(diǎn)密度增大的最快方向，樣本密度高的區(qū)域?qū)?yīng)分布的最大值，這些樣本點(diǎn)最終會(huì)收斂到局部密度的最大值，且收斂到相同局部最大值的點(diǎn)被認(rèn)為是同一簇類的成員，mean?shift算法能夠處理任意形狀的聚類問題，廣泛應(yīng)用于圖像處理和分析以及計(jì)算機(jī)視覺技術(shù)，如圖像去噪、圖像分割、運(yùn)動(dòng)跟蹤等。mean?shift算法計(jì)算量不大，缺乏動(dòng)態(tài)更新機(jī)制，由于固定帶寬直徑，當(dāng)目標(biāo)大小發(fā)生變化時(shí)，聚類效果會(huì)不夠完整，以及目標(biāo)速度變快，聚類效果較差。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種基于自適應(yīng)kmeans算法的機(jī)器人未知環(huán)境探索方法，在移動(dòng)機(jī)器人未知環(huán)境探索中發(fā)現(xiàn)，可以考慮將原本的mean?shift算法替換為kmeans算法，kmeans算法是一種常用的聚類算法，用于將數(shù)據(jù)點(diǎn)劃分成k個(gè)簇。kmeans算法的基本思想是通過不斷迭代的方式，將簇內(nèi)所有數(shù)據(jù)點(diǎn)的均值更新為質(zhì)心，并將簇中所有數(shù)據(jù)點(diǎn)的均值作為新的質(zhì)心，直到達(dá)到收斂條件，kmeans算法具有簡(jiǎn)單易懂、計(jì)算效率高和易于實(shí)現(xiàn)等優(yōu)點(diǎn)，具體采用以下技術(shù)方案來實(shí)現(xiàn)。

2、本發(fā)明提供了一種基于自適應(yīng)kmeans算法的機(jī)器人未知環(huán)境探索方法，包括以下步驟：

3、獲取機(jī)器人在未知環(huán)境中移動(dòng)的未知區(qū)域，并基于rrt算法對(duì)所述未知區(qū)域進(jìn)行識(shí)別得到邊界點(diǎn)；

4、采用kmeans算法對(duì)所述邊界點(diǎn)進(jìn)行聚類處理，并基于信息增量算法對(duì)聚類處理后的邊界點(diǎn)進(jìn)行計(jì)算以確定目標(biāo)點(diǎn)；

5、基于teb路徑規(guī)劃算法引導(dǎo)所述機(jī)器人到達(dá)所述目標(biāo)點(diǎn)，并采用gmapping算法進(jìn)行地圖構(gòu)建以完成機(jī)器人未知環(huán)境探索。

6、作為上述技術(shù)方案的優(yōu)選，基于rrt算法對(duì)所述未知區(qū)域進(jìn)行識(shí)別得到邊界點(diǎn)，包括：

7、應(yīng)用rrt算法進(jìn)行未知環(huán)境探索時(shí)，將機(jī)器人的當(dāng)前位置設(shè)定為探索樹的根節(jié)點(diǎn)，rrt算法在探索樹中生成隨機(jī)點(diǎn)，并確定與隨機(jī)點(diǎn)最近的臨近點(diǎn)；

8、設(shè)定步長(zhǎng)為，并計(jì)算出隨機(jī)點(diǎn)和臨近點(diǎn)之間的斜率m：

9、?（1）

10、式中，表示隨機(jī)點(diǎn)的y坐標(biāo)，表示臨近點(diǎn)的y坐標(biāo)，表示隨機(jī)點(diǎn)的x坐標(biāo)，表示隨機(jī)點(diǎn)的x坐標(biāo)；

11、當(dāng)隨機(jī)點(diǎn)與臨近點(diǎn)不重合時(shí)，根據(jù)所述步長(zhǎng)、隨機(jī)點(diǎn)與臨近點(diǎn)的位置、斜率m確定新節(jié)點(diǎn)的坐標(biāo)位置，其中，沿著從臨近點(diǎn)到隨機(jī)點(diǎn)的方向以步長(zhǎng)參數(shù)為距離確定新節(jié)點(diǎn)的坐標(biāo)位置，對(duì)應(yīng)的表達(dá)式為：

12、?（2）

13、?（3）

14、式中，s用于確定兩點(diǎn)之間的關(guān)系，若大于，s結(jié)果為正；若小于，s結(jié)果為負(fù)；若等于，s結(jié)果為零，為新節(jié)點(diǎn)的x坐標(biāo)，為新節(jié)點(diǎn)的y坐標(biāo)；

15、當(dāng)隨機(jī)點(diǎn)與臨近點(diǎn)重合時(shí)，將重新計(jì)算新節(jié)點(diǎn)的位置，對(duì)應(yīng)的表達(dá)式為：

16、?（4）

17、 （5）

18、式中，和為隨機(jī)點(diǎn)與臨近點(diǎn)重合時(shí)新節(jié)點(diǎn)的坐標(biāo)。

19、作為上述技術(shù)方案的優(yōu)選，通過計(jì)算兩點(diǎn)之間的歐幾里得距離和動(dòng)態(tài)調(diào)整步長(zhǎng)以適應(yīng)不同區(qū)域的探索需求，預(yù)設(shè)已知向量和向量并計(jì)算歐幾里得距離的表達(dá)式為：

20、?（6）

21、根據(jù)得到的新節(jié)點(diǎn)判斷新節(jié)點(diǎn)和緊鄰點(diǎn)之間的連線是否穿過障礙物或未探索區(qū)域，以評(píng)估新節(jié)點(diǎn)對(duì)應(yīng)的路徑；

22、若檢測(cè)到新節(jié)點(diǎn)與緊鄰點(diǎn)之間的連線穿過未知區(qū)域，則將新節(jié)點(diǎn)標(biāo)記為邊界點(diǎn)；

23、若否，則rrt算法將允許探索樹的生長(zhǎng)，并將生長(zhǎng)的路徑記錄在所述探索樹中。

24、作為上述技術(shù)方案的優(yōu)選，對(duì)探索到的邊界點(diǎn)進(jìn)行管理，包括：

25、清除舊邊界點(diǎn)：在每次探索前，清除上一次采樣中已經(jīng)被探索的邊界點(diǎn)；

26、聚類中心點(diǎn)評(píng)估：采用kmeans聚類算法獲取邊界點(diǎn)的聚類中心點(diǎn)，并判斷所述聚類中心點(diǎn)是否已經(jīng)被探索；

27、若是，將所述聚類中心點(diǎn)從所述聚類中心點(diǎn)對(duì)應(yīng)的聚類中心點(diǎn)集合移除；

28、其中，對(duì)所有探索到的邊界點(diǎn)進(jìn)行kmeans聚類算法處理，kmeans聚類算法處理包括：選擇k個(gè)質(zhì)心并初始化質(zhì)心，計(jì)算每個(gè)邊界點(diǎn)與所有質(zhì)心之間的距離，并將每個(gè)邊界點(diǎn)歸入最近的質(zhì)心所代表的簇；對(duì)每個(gè)形成的簇重新計(jì)算質(zhì)心，即取簇內(nèi)所有樣本點(diǎn)的均值作為新的質(zhì)心位置；

29、簇內(nèi)樣本點(diǎn)的相似度采用所有邊界點(diǎn)到質(zhì)心的距離之和進(jìn)行評(píng)估，距離之和越小，表明簇內(nèi)樣本點(diǎn)的相似度越高，差異越小；

30、預(yù)設(shè)是第k個(gè)聚類上的第i個(gè)點(diǎn)，是第k個(gè)簇的質(zhì)心，表示樣本點(diǎn)到質(zhì)心的距離，對(duì)應(yīng)的距離度量表達(dá)式為：

31、?（7）

32、式中，m為聚類個(gè)數(shù)，k為聚類的類別數(shù)；

33、根據(jù)歐幾里得距離將一個(gè)簇內(nèi)所有點(diǎn)到質(zhì)心的距離平方和的表達(dá)式為：

34、?（8）

35、式中，n為第k個(gè)簇內(nèi)數(shù)據(jù)點(diǎn)的數(shù)量；

36、kmeans算法基于最小平方差誤差原則用于在最小化每個(gè)簇內(nèi)所有點(diǎn)到質(zhì)心的距離平方和，對(duì)應(yīng)的平方差誤差可表示為：

37、?（9）

38、式中，是第i個(gè)簇，是第k個(gè)簇的質(zhì)心，是簇中的第i個(gè)數(shù)據(jù)點(diǎn)，d表示歐式距離，表示簇中所有點(diǎn)的均值：

39、??（10）

40、式中，是k簇內(nèi)點(diǎn)的數(shù)量，通過計(jì)算每個(gè)簇內(nèi)所有點(diǎn)到質(zhì)心的距離平方和，kmeans算法不斷迭代，更新質(zhì)心的位置，以最小化整個(gè)數(shù)據(jù)集的總平方差誤差。

41、作為上述技術(shù)方案的優(yōu)選，采用kmeans算法對(duì)所述邊界點(diǎn)進(jìn)行聚類處理，包括：

42、獲取邊界點(diǎn)的聚類中心點(diǎn)，在代價(jià)地圖上評(píng)估所述聚類中心點(diǎn)并進(jìn)行目標(biāo)點(diǎn)分配，其中，根據(jù)預(yù)設(shè)評(píng)價(jià)標(biāo)準(zhǔn)為邊界點(diǎn)設(shè)置優(yōu)先級(jí)，并計(jì)算每個(gè)邊界點(diǎn)的信息熵以評(píng)估其探索價(jià)值，計(jì)算標(biāo)準(zhǔn)包括根據(jù)計(jì)算出的信息熵選擇合適的導(dǎo)航目標(biāo)點(diǎn)并安排機(jī)器人對(duì)位置區(qū)域進(jìn)行探索；

43、根據(jù)信息熵確定目標(biāo)導(dǎo)航的導(dǎo)航目標(biāo)點(diǎn)，信息熵是信息量的期望值以描述不確定性：

44、?（11）

45、式中，s為樣本空間，是i發(fā)生的概率；

46、通過對(duì)邊界點(diǎn)的收益公式選擇導(dǎo)航目標(biāo)點(diǎn)：

47、 ?（12）

48、式中，為給定的前沿點(diǎn)，r表示前沿點(diǎn)的收益， i表示前沿點(diǎn)的信息增量，為機(jī)器人的當(dāng)前所在位置，是用戶給定的參數(shù)，n為機(jī)器人導(dǎo)航到前沿點(diǎn)的導(dǎo)航成本，為滯后增益用于確定給定的前沿點(diǎn)是否在距離機(jī)器人的當(dāng)前位置一定半徑之外，若是，的值等于1；反之，的值等于，其中，大于1；通過設(shè)置大于1，機(jī)器人更傾向于探索其附近的前沿點(diǎn)，對(duì)應(yīng)的表達(dá)式為：

49、??（13）

50、式中，是以當(dāng)前機(jī)器人為半徑的值。

51、作為上述技術(shù)方案的優(yōu)選，基于teb路徑規(guī)劃算法引導(dǎo)所述機(jī)器人到達(dá)所述目標(biāo)點(diǎn)，還包括：

52、根據(jù)前沿點(diǎn)確定最優(yōu)的目標(biāo)點(diǎn)，將關(guān)鍵目標(biāo)點(diǎn)作為teb算法在局部路徑規(guī)劃中的導(dǎo)航目標(biāo)點(diǎn)，對(duì)應(yīng)的機(jī)器人位姿表達(dá)式為：

53、?（14）

54、式中，、和為機(jī)器人map坐標(biāo)系中的位置和姿態(tài)，為時(shí)間維度和控制參數(shù)維度上的狀態(tài)空間，表示坐標(biāo)系中的位置都為正實(shí)數(shù)，表示所有可能得狀態(tài)情況，表示笛卡爾積；

55、機(jī)器人在map坐標(biāo)系中的位置和姿態(tài)作為構(gòu)型，在空間中構(gòu)型可排序?yàn)椋?/p>

56、?（15）

57、其中，兩個(gè)構(gòu)型之間存在一個(gè)時(shí)間間隔，時(shí)間間隔定義為，表示機(jī)器人的兩個(gè)構(gòu)型需要的時(shí)間，記錄時(shí)間的序列的表達(dá)式為：

58、?（16）

59、將構(gòu)型和時(shí)間序列合并表示為：

60、?（17）

61、通過加權(quán)多目標(biāo)優(yōu)化獲取最優(yōu)的路徑點(diǎn)，即最優(yōu)的q，對(duì)應(yīng)的表達(dá)式為：

62、?（18）

63、?（19）

64、式中，b為arrangement排序的一個(gè)子集，用于評(píng)估和優(yōu)化得到最優(yōu)解；為最優(yōu)結(jié)果；為考慮的各種約束的目標(biāo)函數(shù)，為各個(gè)目標(biāo)函數(shù)的分量的加權(quán)和；為目標(biāo)函數(shù)數(shù)量。

65、作為上述技術(shù)方案的優(yōu)選，teb算法的第一個(gè)約束目標(biāo)函數(shù)為跟隨路徑和避障約束，避障約束包括跟隨已知的全局規(guī)劃路和避障，構(gòu)型序列與全局路徑點(diǎn)序列或障礙物的最近距離為，跟隨路徑目標(biāo)以構(gòu)型距全局路徑的允許最大距離作為約束，避障目標(biāo)以構(gòu)型距障礙物的允許最小距離作為約束；

66、根據(jù)路徑約束函數(shù)和障礙約束函數(shù)以懲罰函數(shù)，對(duì)應(yīng)的表達(dá)式為：

67、?（20）

68、式中，表示限界值旁的一個(gè)小位移，s表示縮放，n表示多項(xiàng)式階數(shù)。

69、作為上述技術(shù)方案的優(yōu)選，teb算法的第二個(gè)約束目標(biāo)函數(shù)為速度和加速度約束，機(jī)器人運(yùn)動(dòng)的平均線速度和角速度可通過相鄰的、和時(shí)間間隔計(jì)算得到：

70、??（21）

71、??（22）

72、式中，和為兩點(diǎn)之間的距離，為兩點(diǎn)之間的旋轉(zhuǎn)角度；

73、機(jī)器人的平均線加速度以及角速度的計(jì)算表達(dá)式為：

74、?（23）

75、線速度的約束可用懲罰函數(shù)表示為：

76、?（24）

77、結(jié)合移動(dòng)機(jī)器人得到的輪子速度和加速度的上下界確定約束的上下界，其中，表示線速度，表示最大線速度，表示限界值旁的一個(gè)小位移，s表示縮放，n表示多項(xiàng)式階數(shù)；

78、機(jī)器人底盤的運(yùn)動(dòng)狀態(tài)由三個(gè)關(guān)鍵變量定義：沿x軸和y軸的線性移動(dòng)和繞軸的旋轉(zhuǎn)，指的是繞z軸的旋轉(zhuǎn)；將機(jī)器人底盤運(yùn)動(dòng)分解為三個(gè)獨(dú)立變量以機(jī)器人四個(gè)輪子為幾何中心：表示x軸平動(dòng)，表示x軸平動(dòng)，表示軸的自轉(zhuǎn)速度，得出輪子的軸心速度為：

79、?（25）

80、式中，為幾何中心指向輪子軸心的矢量，為輪子軸心的運(yùn)動(dòng)速度矢量，為輪子軸心沿垂直的方向的速度矢量，且計(jì)算出輪子軸心運(yùn)動(dòng)速度矢量的x、y軸的速度分量為：

81、?（26）

82、?（27）

83、根據(jù)輪子軸心的速度可求出輥?zhàn)拥乃俣龋纸鉃檠刂佔(zhàn)臃较虻乃俣群痛怪庇谳佔(zhàn)臃较虻乃俣?，其中，垂直方向可以忽略，?duì)應(yīng)的表達(dá)式為：

84、?（28）

85、其中，為沿輥?zhàn)臃较虻膯挝皇噶?，從而?jì)算輪子的速度v：

86、?（29）。

87、作為上述技術(shù)方案的優(yōu)選，teb算法的第三個(gè)約束目標(biāo)函數(shù)為運(yùn)動(dòng)學(xué)約束，機(jī)器人以若干弧段組成平滑的軌跡運(yùn)動(dòng)，初始與運(yùn)動(dòng)方向、的夾角應(yīng)與結(jié)束構(gòu)型對(duì)應(yīng)的夾角相等，若為機(jī)器人在第i段弧段相對(duì)于世界坐標(biāo)系的絕對(duì)姿態(tài)，則：

88、?（30）

89、其中，運(yùn)動(dòng)方向的位移向量表示為：

90、?（31）

91、式中，和分別表示路徑上的兩點(diǎn)坐標(biāo)的位移，相應(yīng)的目標(biāo)函數(shù)：

92、?（32）

93、式中，和分別表示路徑上的兩點(diǎn)坐標(biāo)，公式（32）通過兩向量相加，表示路徑上兩個(gè)點(diǎn)的方向；乘以位移向量、，表示路徑上兩點(diǎn)之間的距離和方向；為向量的平方范數(shù)，表示路徑的代價(jià)函數(shù)。

94、作為上述技術(shù)方案的優(yōu)選，teb算法的第四個(gè)約束目標(biāo)函數(shù)為最快路徑約束，用最小化時(shí)間間隔序列的二次方表示：

95、?（33）

96、進(jìn)行teb路徑規(guī)劃時(shí)，同步運(yùn)用gmapping算法來創(chuàng)建未知環(huán)境的地圖，算法通過將二維空間劃分成多個(gè)獨(dú)立的柵格單元來構(gòu)建柵格地圖，每個(gè)柵格單元都與兩個(gè)概率值相關(guān)聯(lián)：表示柵格單元為可通行空間的概率，表示障礙物所占據(jù)的概率；兩個(gè)概率值相加總和為1，柵格但愿的狀態(tài)可通過兩個(gè)概率值的比率來確定，比率較高時(shí)，表明柵格單元可能是障礙物；

97、當(dāng)?shù)貓D中的一個(gè)特定點(diǎn)接收到一個(gè)新的測(cè)量值z(mì)后，需要相應(yīng)地更新狀態(tài)；預(yù)設(shè)在新測(cè)量值到來之前，特定點(diǎn)的狀態(tài)已知，將其更新為新的估計(jì)狀態(tài)：

98、?（34）

99、式中，表示狀態(tài)s的對(duì)數(shù)幾率，表示在給定條件z下，狀態(tài)s為1的概率；表示在給定條件z下，狀態(tài)s為0的概率；

100、由貝葉斯公式計(jì)算可得：

101、 ?（35）

102、且對(duì)公式（35）兩邊進(jìn)行取對(duì)數(shù)計(jì)算：

103、?（36）

104、在沒有任何測(cè)量值的初始狀態(tài)下，一個(gè)點(diǎn)的初始狀態(tài)為0，在公式（34）中進(jìn)行計(jì)算，比值為測(cè)量值的模型；

105、實(shí)際上測(cè)量值的模型包括兩種：

106、?（37）

107、式中，兩種測(cè)量值都遵循固定模型，使得每次獲取新的測(cè)量值時(shí)，可通過簡(jiǎn)單的算術(shù)加減操作來更新地圖上點(diǎn)的狀態(tài)；

108、在構(gòu)建柵格地圖時(shí)，機(jī)器人將真實(shí)世界的位置轉(zhuǎn)換為地圖上的柵格坐標(biāo)，地圖中的每個(gè)柵格單元的長(zhǎng)度表示為r，表示地圖的分辨率；對(duì)于二維柵格地圖，任何點(diǎn)的位置可用以對(duì)坐標(biāo)來確定，坐標(biāo)值表示相對(duì)于地圖原點(diǎn)的水平和垂直距離，其中，每個(gè)柵格位置坐標(biāo)通過表示：

109、?（38）

110、式中，x和y表示真實(shí)世界中的坐標(biāo)，i和j為柵格地圖中的坐標(biāo)，r為柵格一格的長(zhǎng)度，表示分辨率，則和；

111、預(yù)設(shè)機(jī)器人的位姿為，可得到地圖構(gòu)建過程中障礙物的位置：

112、?（39）

113、?（40）

114、其中，d為測(cè)量得到的距離，為激光線與機(jī)器人位姿角的夾角，得到兩個(gè)坐標(biāo)后計(jì)算出兩點(diǎn)在柵格位置和，利用bresenham算法計(jì)算非障礙物格點(diǎn)的集合，更新柵格地圖；

115、預(yù)設(shè)直線上第i個(gè)像素點(diǎn)坐標(biāo)，直線斜率為1且，直線上的下一個(gè)像素點(diǎn)的可能位置是或，在處，直線上點(diǎn)的y值是，直線上點(diǎn)離像素點(diǎn)和像素點(diǎn)的距離分別是和：

116、?（41）

117、?（42）

118、式中，b為直線方程的斜率；

119、和的距離差為：

120、?（43）

121、利用距離差可選擇下一個(gè)像素點(diǎn)，當(dāng)距離差為正時(shí)，，說明直線上理論點(diǎn)像素較近，下一個(gè)像素點(diǎn)取；當(dāng)距離差為負(fù)時(shí)，，說明直線上理論點(diǎn)離像素較近，則下一個(gè)像素點(diǎn)??；當(dāng)距離差為零時(shí)，取作為下一個(gè)像素點(diǎn)。

122、本發(fā)明提供了一種基于自適應(yīng)kmeans算法的機(jī)器人未知環(huán)境探索方法，通過獲取機(jī)器人在未知環(huán)境中移動(dòng)的未知區(qū)域，并基于rrt算法對(duì)所述未知區(qū)域進(jìn)行識(shí)別得到邊界點(diǎn)，采用kmeans算法對(duì)所述邊界點(diǎn)進(jìn)行聚類處理，并基于信息增量算法對(duì)聚類處理后的邊界點(diǎn)進(jìn)行計(jì)算以確定目標(biāo)點(diǎn)，基于teb路徑規(guī)劃算法引導(dǎo)所述機(jī)器人到達(dá)所述目標(biāo)點(diǎn)，并采用gmapping算法進(jìn)行地圖構(gòu)建以完成機(jī)器人未知環(huán)境探索，可以根據(jù)地圖采集到的邊界點(diǎn)動(dòng)態(tài)調(diào)整聚類中心的數(shù)量，根據(jù)數(shù)據(jù)的特性和分布情況，智能地決定最佳的聚類中心數(shù)目，從而提高聚類的效果和精確度，基于kmeans聚類算法對(duì)邊界點(diǎn)進(jìn)行聚類，并通過信息增量算法對(duì)目標(biāo)點(diǎn)進(jìn)行優(yōu)化，以提高聚類的準(zhǔn)確性和效率。