本博文对粒子群算法做了系统性&细节性介绍：包括其相关概念、经典的处理流程等。并以一元函数寻优、二元函数寻优、01背包问题作为研究对象，探讨了如何使用粒子群算法解决这三个问题。

本博文基于Rastrigin测试函数探讨粒子群算法和遗传算法的混合使用，分别给出了嵌入式混合以及串行混合下的算法流程，并对串行混合进行了仿真验证，仿真的结果验证了算法流程的可行性。本文提供的仿真结果下，串行混合的效果不如粒子群或遗传算法单独使用时的效果，但优化混合算法参数以使得该算法的结果优于单独使用某种算法时的效果不是本文的核心目标(因为算法涉及的参数很多)。本博文的目的在于建立算法混合使用时的

本文对一份典型的可用于目标跟踪实践的数据集进行了较为详尽的介绍。本文的工作主要是为后续基于数据集的目标跟踪实践打基础。当然，读者也可以基于本文所介绍的数据集做其它有意思的研究。

本文对聚类算法做了一些宽泛性/框架性的介绍。具体地，介绍了几种聚类算法、给出了一个可用作聚类算法实践的数据集、给出了一种自己生成二维平面内点簇的方法以及生成的结果、介绍了4种聚类结果的客观评价指标。本文的工作为后续基于具体的聚类算法的实践打下了基础。

本系列博文对目标跟踪算法做了比较系统和详尽的介绍，以经典的卡尔曼滤波算法为例，分别从仿真和基于数据集的目标跟踪实现两个方面进行了实践。后续有机会我再扩展其它的滤波算法，希望该系列文章可以对读者有所帮助，欢迎批评指正！

本博文探讨一维成像，并介绍了一份内容非常全面且丰富的原始数据集，基于该数据集实践了几种一维成像方法。因为一维成像的数学原理相对简单且成熟，网上有诸多资料，本博文并没有涉及太多的理论/公式推导。本博文的工作为后续更高维度的成像方法研究以及基于数据集的深度学习模型训练等提供了基础，后续有机会我会出基于该数据集更多的思考和探讨。

本文对DBSCAN算法进行了实践。首先对DBSCAN算法进行了介绍，给出了其典型的算法流程图、对其涉及的两个核心概念：邻域半径和最小样本数进行了介绍，并以车载雷达数据处理为例对这两概念做了更深入的探讨。随后比较详尽地介绍了Iris数据集，并分别给出了基于DBSCAN算法对Iris数据集、自己生成的二维平面点簇形数据集的聚类结果。

本文针对数据集中的实测数据进行了跟踪实践，实践的结果基本符合预期，本系列博文对跟踪算法的探讨是很基础的，但本系列博文的内容止步于此，读者可以在本系列博文的基础上作更深入的研究。

本博文梳理了关于雷达目标检测性能测试的内容，包括需要测试的参数、测试的环境、设备以及流程方法，更具体的细则还需要读者去到征求意见稿中的6.3节进行研读，内容相对简单，但是较为繁琐没有放在本博文的内容里了。此外，本文还对雷达目标模拟器这一重要的测试设备进行了介绍。

本文作为机器学习专栏的第一篇文章，对 AI相关的概念以及机器学习的一些基础知识做了梳理和介绍