[论文解读] A Multi-Layer K-means Approach for Multi-Sensor Data Pattern Recognition in Multi-Target Localization

Samuel Silva, Rengan Suresh+3 more|arXiv (Cornell University)|May 30, 2017

Target Tracking and Data Fusion in Sensor Networks参考文献 27被引用 4

一句话总结

本文提出了一种新颖的多层K-means（MLKM）算法，通过将K-means++聚类与受深度学习启发的误差校正相结合，提升多传感器、多目标定位中的数据关联系数。通过在多层框架中结构化K-means++并引入类似反向传播的误差校正机制，MLKM实现了91.65%的平均准确率——比K-means++高出7%——在复杂且重叠的传感器数据模式下，优于K-means、K-means++和DNN。

ABSTRACT

Data-target association is an important step in multi-target localization for the intelligent operation of un- manned systems in numerous applications such as search and rescue, traffic management and surveillance. The objective of this paper is to present an innovative data association learning approach named multi-layer K-means (MLKM) based on leveraging the advantages of some existing machine learning approaches, including K-means, K-means++, and deep neural networks. To enable the accurate data association from different sensors for efficient target localization, MLKM relies on the clustering capabilities of K-means++ structured in a multi-layer framework with the error correction feature that is motivated by the backpropogation that is well-known in deep learning research. To show the effectiveness of the MLKM method, numerous simulation examples are conducted to compare its performance with K-means, K-means++, and deep neural networks.

研究动机与目标

• 解决使用空间分布传感器、目标识别能力有限的多目标定位中的准确数据关联挑战。
• 克服传统概率方法（如JPDAF、MHT和RFS）因计算复杂度呈指数增长而带来的局限性。
• 开发一种基于机器学习的替代方案，结合聚类与深度学习的优势，实现可扩展、高精度的数据关联。
• 通过引入具有误差校正的多层结构，改进K-means和K-means++，以减少高密度测量场景下的误分类。
• 通过不同目标数和传感器数的大量仿真，证明所提出的MLKM方法在性能上优于K-means、K-means++和DNN。

提出的方法

• 设计一种受深度神经网络架构启发的多层K-means框架，其中每一层处理传感器数据以优化聚类分配。
• 在第一层应用K-means++初始化，以改善初始聚类中心的选择，降低对初始化的敏感性。
• 在第二层引入类似反向传播的误差校正机制，以检测并纠正第一层中的误关联。
• 利用误差校正步骤将修正结果反向传播至各层，减少误差传播，提升最终聚类准确率。
• 在具有已知目标轨迹的合成数据上训练并评估MLKM模型，使用时间和速度作为聚类的输入特征。
• 在相同仿真条件下，将MLKM性能与K-means、K-means++和DNN进行对比，包括不同目标数和传感器数的设置。

实验结果

研究问题

• RQ1 具有误差校正的多层K-means框架是否能在多目标定位的数据关联中超越标准K-means和K-means++？
• RQ2 深度学习启发的误差校正集成如何提升高密度、重叠传感器测量场景下的聚类准确率？
• RQ3 当目标数和传感器数增加时，MLKM方法相比K-means++在减少误分类方面有多大程度的改善？
• RQ4 在标注数据有限的情况下，MLKM在准确率和泛化能力方面与深度神经网络相比表现如何？
• RQ5 误差校正对多次仿真运行中聚类结果的鲁棒性和稳定性有何影响？

主要发现

• MLKM在引入误差校正后实现了91.65%的平均准确率，相比无误差校正的MLKM（84.3%）提升了7个百分点。
• MLKM即使在无误差校正的情况下，也因多层聚类结构而显著优于标准K-means++。
• 深度神经网络（DNN）在训练中达到高达98.9%的准确率，但存在过拟合问题，当使用45/50个传感器进行训练时，测试准确率仅达到91.6%的峰值。
• K-means和K-means++在高密度测量场景中难以维持高准确率，尤其在目标数和传感器数增加时，受重叠数据模式影响显著。
• MLKM中的误差校正机制有效减少了早期层的误差传播，从而在后续层中实现更稳定、更准确的聚类分配。
• 仿真结果表明，MLKM为多传感器、多目标数据关联提供了一种鲁棒且可扩展的解决方案，尤其在具有重叠测量的复杂、类真实世界场景中表现出色。