JP2001229362A - 情報クラスタリング装置および情報クラスタリングプログラムを記録した記録媒体 - Google Patents
情報クラスタリング装置および情報クラスタリングプログラムを記録した記録媒体Info
- Publication number
- JP2001229362A JP2001229362A JP2000039401A JP2000039401A JP2001229362A JP 2001229362 A JP2001229362 A JP 2001229362A JP 2000039401 A JP2000039401 A JP 2000039401A JP 2000039401 A JP2000039401 A JP 2000039401A JP 2001229362 A JP2001229362 A JP 2001229362A
- Authority
- JP
- Japan
- Prior art keywords
- information
- map
- clustering
- cluster
- distance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
Abstract
(57)【要約】
【課題】 未知の分布を持つ入力情報を、煩雑なパラメ
ータを設定することなしに効率的に分類する。 【解決手段】 情報入力部１１により情報を多次元のベ
クトルとして入力する。マッピング部１２により、入力
情報を類似度の高い順に２次元の自己組織化マップ上に
配置する。距離マップ生成部１３により、自己組織化マ
ップを構成するユニット間の類似度を計算し、ユニット
の類似度を表す距離マップを生成する。クラスタリング
マップ生成部１４により、距離マップからクラスタの境
界だけを取り出し、クラスタ境界を記述したクラスタリ
ングマップを生成する。最後に、クラスタ認識部１５に
より、入力情報を各クラスタ毎に認識し、クラスタリン
グを行う。
ータを設定することなしに効率的に分類する。 【解決手段】 情報入力部１１により情報を多次元のベ
クトルとして入力する。マッピング部１２により、入力
情報を類似度の高い順に２次元の自己組織化マップ上に
配置する。距離マップ生成部１３により、自己組織化マ
ップを構成するユニット間の類似度を計算し、ユニット
の類似度を表す距離マップを生成する。クラスタリング
マップ生成部１４により、距離マップからクラスタの境
界だけを取り出し、クラスタ境界を記述したクラスタリ
ングマップを生成する。最後に、クラスタ認識部１５に
より、入力情報を各クラスタ毎に認識し、クラスタリン
グを行う。
Description
【０００１】
【発明の属する技術分野】本発明は、ベクトルとして与
えられている情報を、その類似度から分類する情報クラ
スタリング装置に関する。
えられている情報を、その類似度から分類する情報クラ
スタリング装置に関する。
【０００２】
【従来の技術】情報のクラスタリングを行う装置とし
て、k−mean 法やIsodata法の最近距離法に基づくアル
ゴリズム（長尾真、パターン情報処理、コロナ社、pp.
117-120,1983）を用いたものがある。これらのアルゴリ
ズムは、入力情報をn次元のベクトルとして扱い、情報
間の類似度の差を、例えばそのユークリッド距離で表現
し、その類似度からクラスタ分けを行う。
て、k−mean 法やIsodata法の最近距離法に基づくアル
ゴリズム（長尾真、パターン情報処理、コロナ社、pp.
117-120,1983）を用いたものがある。これらのアルゴリ
ズムは、入力情報をn次元のベクトルとして扱い、情報
間の類似度の差を、例えばそのユークリッド距離で表現
し、その類似度からクラスタ分けを行う。
【０００３】K−mean法は、クラスタ数Kを指定して、情
報をK 個のクラスタに分類する方法である。最初にクラ
スタ数Kを指定し、K個のクラスタの中心となるベクトル
（クラスタ中心）を与える。次に、すべての入力情報を
最も距離の近いクラスタ中心を持つクラスタに分類す
る。そして、各クラスタにおいて、それに属する入力情
報とクラスタ中心の距離を計算し、その平均をとり、そ
れを新たなクラスタ中心とする。このクラスタ中心に対
して、入力情報を再分類する。これを繰り返してクラス
タリングを行う。
報をK 個のクラスタに分類する方法である。最初にクラ
スタ数Kを指定し、K個のクラスタの中心となるベクトル
（クラスタ中心）を与える。次に、すべての入力情報を
最も距離の近いクラスタ中心を持つクラスタに分類す
る。そして、各クラスタにおいて、それに属する入力情
報とクラスタ中心の距離を計算し、その平均をとり、そ
れを新たなクラスタ中心とする。このクラスタ中心に対
して、入力情報を再分類する。これを繰り返してクラス
タリングを行う。
【０００４】Isodata法は、最初にいくつかのパラメー
タを指定して、それにしたがって情報を分類する方法で
ある。最初にクラスタ数の初期値、一つのクラスタの要
素の数に関するパラメータ、クラスタの広がりに関する
パラメータ、クラスタ間の距離に関するパラメータ、ク
ラスタの統合を行う最大数を指定する。基本的には、K
−mean 法と同様のクラスタリングを行う。クラスタリ
ングの途中で、設定したパラメータ値にしたがって、小
さなクラスタは統合したり、大きなクラスタは分割を行
いながら進めていく。
タを指定して、それにしたがって情報を分類する方法で
ある。最初にクラスタ数の初期値、一つのクラスタの要
素の数に関するパラメータ、クラスタの広がりに関する
パラメータ、クラスタ間の距離に関するパラメータ、ク
ラスタの統合を行う最大数を指定する。基本的には、K
−mean 法と同様のクラスタリングを行う。クラスタリ
ングの途中で、設定したパラメータ値にしたがって、小
さなクラスタは統合したり、大きなクラスタは分割を行
いながら進めていく。
【０００５】
【発明が解決しようとする課題】K−mean法では、クラ
スタ数Kを指定する必要がある。このKが適切でない場合
には情報の分類が有効に行うことができない。未知の分
布を持つ情報をクラスタリングする場合、Kを適切に決
定することは困難である。
スタ数Kを指定する必要がある。このKが適切でない場合
には情報の分類が有効に行うことができない。未知の分
布を持つ情報をクラスタリングする場合、Kを適切に決
定することは困難である。
【０００６】Isodata法では、クラスタの大きさや個数
を固定することなしにクラスタリングを行うことが可能
である。しかし、いくつかのパラメータがクラスタリン
グの結果に大きく影響し、未知の分布を持つ情報をクラ
スタリングする場合には、パラメータを適切に決定する
ことは困難である。
を固定することなしにクラスタリングを行うことが可能
である。しかし、いくつかのパラメータがクラスタリン
グの結果に大きく影響し、未知の分布を持つ情報をクラ
スタリングする場合には、パラメータを適切に決定する
ことは困難である。
【０００７】本発明の目的は、未知の分布を持つ入力情
報を、煩雑なパラメータを設定することなしに、効率的
に分類することのできる情報クラスタリング装置および
情報クラスタリングプログラムを記録した記録媒体を提
供することである。
報を、煩雑なパラメータを設定することなしに、効率的
に分類することのできる情報クラスタリング装置および
情報クラスタリングプログラムを記録した記録媒体を提
供することである。
【０００８】
【課題を解決するための手段】本発明の情報クラスタリ
ング装置は、情報を多次元ベクトルとして入力する情報
入力手段と、入力された情報ベクトルを自己組織化マッ
プ(SOM)上にその類似度の高い情報毎にマッピングする
マッピング手段と、自己組織化マップから距離マップを
生成する距離マップ生成手段と、距離マップからクラス
タの境界をみつけ、クラスタリングマップを生成するク
ラスタリングマップ生成手段と、クラスタリングマップ
上に作成されたクラスタの境界からクラスタ情報を取り
出すクラスタ認識手段を有する。
ング装置は、情報を多次元ベクトルとして入力する情報
入力手段と、入力された情報ベクトルを自己組織化マッ
プ(SOM)上にその類似度の高い情報毎にマッピングする
マッピング手段と、自己組織化マップから距離マップを
生成する距離マップ生成手段と、距離マップからクラス
タの境界をみつけ、クラスタリングマップを生成するク
ラスタリングマップ生成手段と、クラスタリングマップ
上に作成されたクラスタの境界からクラスタ情報を取り
出すクラスタ認識手段を有する。
【０００９】情報入力手段により、分類する情報を多次
元の情報ベクトルとしてシステムに入力する。入力され
た情報ベクトルと同じ次元のベクトル（参照ベクトル）
を内部状態として持つユニットから構成されたマップを
用意する。これがSOMとなる。マッピング手段により、
自己組織化アルゴリズムを用いて、このSOM上のユニッ
トの持つ参照ベクトルを、入力情報の分布を近似するよ
うに変化させていく。すべての情報ベクトルに対して、
最も近い参照ベクトルを持つユニットを探索し、その位
置に情報をマッピングする。結果的に、類似度の高い情
報はマップ上で近い位置に配置される。
元の情報ベクトルとしてシステムに入力する。入力され
た情報ベクトルと同じ次元のベクトル（参照ベクトル）
を内部状態として持つユニットから構成されたマップを
用意する。これがSOMとなる。マッピング手段により、
自己組織化アルゴリズムを用いて、このSOM上のユニッ
トの持つ参照ベクトルを、入力情報の分布を近似するよ
うに変化させていく。すべての情報ベクトルに対して、
最も近い参照ベクトルを持つユニットを探索し、その位
置に情報をマッピングする。結果的に、類似度の高い情
報はマップ上で近い位置に配置される。
【００１０】クラスタの違いを情報の分布が異なってい
るものとする。分布の違いはSOMを構成するユニットの
持つ参照ベクトル間の差で表現できる。距離マップ生成
手段により、ユニットの持つ参照ベクトルからユニット
の隣同士の類似度の差を算出し、SOMのユニットとその
値からなるマップを生成し、これを距離マップとする。
クラスタリング生成手段により、距離マップからクラス
タの境界をみつけ、クラスタ境界を記述したクラスタリ
ングマップを生成する。距離マップ上では、類似度の差
となる値を持つユニットが、クラスタの境界となるユニ
ットである。クラスタ認識手段により、クラスタリング
マップからクラスタ情報を取り出す。
るものとする。分布の違いはSOMを構成するユニットの
持つ参照ベクトル間の差で表現できる。距離マップ生成
手段により、ユニットの持つ参照ベクトルからユニット
の隣同士の類似度の差を算出し、SOMのユニットとその
値からなるマップを生成し、これを距離マップとする。
クラスタリング生成手段により、距離マップからクラス
タの境界をみつけ、クラスタ境界を記述したクラスタリ
ングマップを生成する。距離マップ上では、類似度の差
となる値を持つユニットが、クラスタの境界となるユニ
ットである。クラスタ認識手段により、クラスタリング
マップからクラスタ情報を取り出す。
【００１１】ここで用いる自己組織化アルゴリズムは、
初期パラメータに対してロバスト性が強いという性質を
持っているので、従来のような煩雑なパラメータの設定
が不要である。さらに、情報の分布をSOM上に近似し、
クラスタリングを行うので、初期にクラスタ数を設定す
ることなしに、クラスタリングを行うことができる。
初期パラメータに対してロバスト性が強いという性質を
持っているので、従来のような煩雑なパラメータの設定
が不要である。さらに、情報の分布をSOM上に近似し、
クラスタリングを行うので、初期にクラスタ数を設定す
ることなしに、クラスタリングを行うことができる。
【００１２】
【発明の実施の形態】次に、本発明の実施の形態につい
て図面を参照して説明する。
て図面を参照して説明する。
【００１３】図１を参照すると、本発明の一実施形態の
情報クラスタリング装置は情報入力部１１とマッピング
部１２と距離マップ生成部１３とクラスタリングマップ
生成部１４とクラスタ認識部１５から構成されている。
情報クラスタリング装置は情報入力部１１とマッピング
部１２と距離マップ生成部１３とクラスタリングマップ
生成部１４とクラスタ認識部１５から構成されている。
【００１４】情報入力部１１は情報を、n個の数値要素
からなるベクトル
からなるベクトル
【００１５】
【外１】 として入力する。ここで、ｉは情報の番号を表す。
【００１６】マッピング部１２は、入力された情報（入
力ベクトル）を自己組織化マップ上にその類似度の高い
順にマッピング（配置）する。すなわち、図２に示すよ
うに、まず、ステップ２１は情報入力部１１から情報ベ
クトルを受け取る。ステップ２２に、ニューラルネット
ワークの一種である自己組織化マップ（Kohonen, T.:
Self−Organizing Maps, Springer−Verlag Berlin Hei
delberg, 1995)を利用して、自己組織化アルゴリズムに
より、情報の分布を近似するように自己組織化マップを
生成する。ステップ２３にステップ２２で生成された自
己組織化マップを距離マップ生成部１３に渡す。自己組
織化マップは、図３に示すように、入力層３１と出力層
３２から構成される。入力層３１は、入力ベクトルの次
元の数であるn個のユニット３３から構成される。入力
層３１は入力されたベクトルを出力層３２に渡す働きを
する。出力層３２は、例えばe×f＝k個のユニット３４
から構成される２次元のマップとする。出力層３２を構
成するユニット３４は、それぞれ参照ベクトル
力ベクトル）を自己組織化マップ上にその類似度の高い
順にマッピング（配置）する。すなわち、図２に示すよ
うに、まず、ステップ２１は情報入力部１１から情報ベ
クトルを受け取る。ステップ２２に、ニューラルネット
ワークの一種である自己組織化マップ（Kohonen, T.:
Self−Organizing Maps, Springer−Verlag Berlin Hei
delberg, 1995)を利用して、自己組織化アルゴリズムに
より、情報の分布を近似するように自己組織化マップを
生成する。ステップ２３にステップ２２で生成された自
己組織化マップを距離マップ生成部１３に渡す。自己組
織化マップは、図３に示すように、入力層３１と出力層
３２から構成される。入力層３１は、入力ベクトルの次
元の数であるn個のユニット３３から構成される。入力
層３１は入力されたベクトルを出力層３２に渡す働きを
する。出力層３２は、例えばe×f＝k個のユニット３４
から構成される２次元のマップとする。出力層３２を構
成するユニット３４は、それぞれ参照ベクトル
【００１７】
【外２】 を持つ。参照ベクトルは入力ベクトルと同じ次元を持
つ。
つ。
【００１８】次に、自己組織化アルゴリズムを図４によ
り説明する。
り説明する。
【００１９】自己組織化アルゴリズムは、自己組織化マ
ップの出力層３２の各ユニット３４の参照ベクトルを入
力ベクトルに近づけていくことによって進められる。最
終的には、入力情報の持つ分布を２次元の出力層３２に
近似することになる。
ップの出力層３２の各ユニット３４の参照ベクトルを入
力ベクトルに近づけていくことによって進められる。最
終的には、入力情報の持つ分布を２次元の出力層３２に
近似することになる。
【００２０】まず、ステップ４０に、情報ベクトルを自
己組織化マップの入力層３１に入力する。ステップ４１
に、繰り返し回数tを０に初期化し、ステップ４２に入
力ベクトルの数iを０に初期化する。ステップ４３に入
力ベクトル
己組織化マップの入力層３１に入力する。ステップ４１
に、繰り返し回数tを０に初期化し、ステップ４２に入
力ベクトルの数iを０に初期化する。ステップ４３に入
力ベクトル
【００２１】
【外３】 に最も近い参照ベクトルを持つユニットcを探索する。
探索は
探索は
【００２２】
【数１】 にしたがって行う。
【００２３】すなわち、i番目の入力ベクトル
【００２４】
【外４】 と出力層３２のj番目のユニットの参照ベクトル
【００２５】
【外５】 の距離が最小となる出力層３２のユニットjをみつけ、
それをユニットcとする。ここで、入力ベクトルと参照
ベクトルの距離は、例えば
それをユニットcとする。ここで、入力ベクトルと参照
ベクトルの距離は、例えば
【００２６】
【数２】 ２のようなユークリッド距離で表現する。
【００２７】次に、ステップ４４に、出力層３２のユニ
ットcの近傍集合を形成する。この近傍集合は例えば、
ットcの近傍集合を形成する。この近傍集合は例えば、
【００２８】
【数３】 で定義する。式（３）でdis（j, c)はユニットjとユニ
ットcの距離を表し、ユニットcからの距離がr(t)より近
いユニットjを集めたものを近傍集合とする。例えば、
５１, ５２（図５）のようにとる。５１はユニットcを
表し、５２は近傍集合を表す。ここでは近傍集合５２は
ユニットcを含み、２５個のユニットが含まれることと
なる。
ットcの距離を表し、ユニットcからの距離がr(t)より近
いユニットjを集めたものを近傍集合とする。例えば、
５１, ５２（図５）のようにとる。５１はユニットcを
表し、５２は近傍集合を表す。ここでは近傍集合５２は
ユニットcを含み、２５個のユニットが含まれることと
なる。
【００２９】次に、ステップ４５に近傍集合５２に属す
るユニットの参照ベクトルを
るユニットの参照ベクトルを
【００３０】
【数４】 にしたがって更新する。すなわち、近傍集合Nc(t) に属
するユニットの参照ベクトルはその値を式（４）にした
がって更新し、それ以外のユニットの参照ベクトルは何
もしない。ここで、距離r(t)と学習係数α(t)は、学習
回数tに対して、一様に減少させる。以上のステップ４
３から４５までの処理を繰り返し回数T、入力ベクトル
数dだけ繰り返す（ステップ４６〜４９）。
するユニットの参照ベクトルはその値を式（４）にした
がって更新し、それ以外のユニットの参照ベクトルは何
もしない。ここで、距離r(t)と学習係数α(t)は、学習
回数tに対して、一様に減少させる。以上のステップ４
３から４５までの処理を繰り返し回数T、入力ベクトル
数dだけ繰り返す（ステップ４６〜４９）。
【００３１】最後に、ステップ５０に、ステップ４３と
同様に各入力ベクトルに最も近い参照ベクトルを持つユ
ニットを探索し、出力層３２にマッピングする。
同様に各入力ベクトルに最も近い参照ベクトルを持つユ
ニットを探索し、出力層３２にマッピングする。
【００３２】距離マップ生成部１３は、自己組織化マッ
プの出力層３２のユニットの参照ベクトルの値から距離
マップを生成する。自己組織化マップの出力層３２のそ
れぞれの軸i, jについて、各ユニットに対する距離
プの出力層３２のユニットの参照ベクトルの値から距離
マップを生成する。自己組織化マップの出力層３２のそ
れぞれの軸i, jについて、各ユニットに対する距離
【００３３】
【数５】 を計算する。この値をマップi×jのマップ上に配置さ
せ、３次元の距離マップ６１（図６）を生成する。出力
層３２の各ユニットの参照ベクトルは、各ユニットの類
似度が高ければ、距離dmij（式（５））が小さくなり、
類似度が低い場合は大きくなる。距離マップ６１を作成
すると、クラスタ間の境界に当たる部分が大きな値を持
ち、クラスタ内は小さな値を持つこととなる。
せ、３次元の距離マップ６１（図６）を生成する。出力
層３２の各ユニットの参照ベクトルは、各ユニットの類
似度が高ければ、距離dmij（式（５））が小さくなり、
類似度が低い場合は大きくなる。距離マップ６１を作成
すると、クラスタ間の境界に当たる部分が大きな値を持
ち、クラスタ内は小さな値を持つこととなる。
【００３４】クラスタリングマップ生成部１４は、距離
マップ６１からクラスタリングマップを生成する。図７
はクラスタリングマップを説明する図である。距離マッ
プ６１に山の尾根だけを取り出して、それをクラスタリ
ングの境界７２とし、クラスタリングマップ７１とす
る。クラスタの境界は、閉包となるように作成する。例
えば、少し境界がかけている場合は、その前後の距離マ
ップ６１の状態から境界を作り出す処理を行う。実際、
距離マップ６１は、大きな山脈や小さな山脈があるの
で、閾値を設定して、その値以上であればクラスタ境界
とする。
マップ６１からクラスタリングマップを生成する。図７
はクラスタリングマップを説明する図である。距離マッ
プ６１に山の尾根だけを取り出して、それをクラスタリ
ングの境界７２とし、クラスタリングマップ７１とす
る。クラスタの境界は、閉包となるように作成する。例
えば、少し境界がかけている場合は、その前後の距離マ
ップ６１の状態から境界を作り出す処理を行う。実際、
距離マップ６１は、大きな山脈や小さな山脈があるの
で、閾値を設定して、その値以上であればクラスタ境界
とする。
【００３５】クラスタ認識部１５は、クラスタリングマ
ップ７１からクラスタ境界を認識し、分類された入力情
報の情報を取り出す。図８はクラス認識部１５を説明す
る図である。クラスタリングマップ７１の上に入力ベク
トルを配置させた状態を表している。ユニット８１はク
ラスタの境界を示しており、８２は入力ベクトルを表し
ている。８３はクラスタを表しており、図８では、入力
ベクトルが４つのクラスタに分類されていることを示し
ている。
ップ７１からクラスタ境界を認識し、分類された入力情
報の情報を取り出す。図８はクラス認識部１５を説明す
る図である。クラスタリングマップ７１の上に入力ベク
トルを配置させた状態を表している。ユニット８１はク
ラスタの境界を示しており、８２は入力ベクトルを表し
ている。８３はクラスタを表しており、図８では、入力
ベクトルが４つのクラスタに分類されていることを示し
ている。
【００３６】図９は、クラスタリングマップ７１上に配
置された入力ベクトルを、クラスタ毎に認識する実際の
例を説明する図である。まず、入力ベクトルを一つ指定
し、それが位置するユニット９１を求める。次に、その
ユニットの上下左右９３を見て、それらのユニットに当
たる入力ベクトルを探し、取り出す。次に、またユニッ
トの上下左右９４を見て、それらのユニットに当たる入
力ベクトルを取り出す。同様に、９６、９７と探してい
き、クラス内すべてのユニットの探索が終了すると、そ
のとき取り出された入力ベクトルが同じクラスタに属す
るものとなる。次に、また入力ベクトルを一つ指定し
て、同様の走査を行い、すべての入力ベクトルがどれか
のクラスタに分類されたら処理を終了する。なお、９２
（灰色の丸）はクラスタ境界を示している。
置された入力ベクトルを、クラスタ毎に認識する実際の
例を説明する図である。まず、入力ベクトルを一つ指定
し、それが位置するユニット９１を求める。次に、その
ユニットの上下左右９３を見て、それらのユニットに当
たる入力ベクトルを探し、取り出す。次に、またユニッ
トの上下左右９４を見て、それらのユニットに当たる入
力ベクトルを取り出す。同様に、９６、９７と探してい
き、クラス内すべてのユニットの探索が終了すると、そ
のとき取り出された入力ベクトルが同じクラスタに属す
るものとなる。次に、また入力ベクトルを一つ指定し
て、同様の走査を行い、すべての入力ベクトルがどれか
のクラスタに分類されたら処理を終了する。なお、９２
（灰色の丸）はクラスタ境界を示している。
【００３７】図１０を参照すると、本発明の他の実施形
態の情報クラスタリング装置は、入力装置１０１と記憶
装置１０２と出力装置１０３と記録媒体１０４とデータ
処理装置１０５で構成されている。
態の情報クラスタリング装置は、入力装置１０１と記憶
装置１０２と出力装置１０３と記録媒体１０４とデータ
処理装置１０５で構成されている。
【００３８】入力装置１０１は情報を多次元ベクトルと
して入力する。出力装置１０３はクラスタ情報を出力す
る。記録媒体１０４は以上説明した情報入力部１１から
クラスタ認識部１５までの処理からなる情報クラスタリ
ングプログラムを記録した、フロッピィ・ディスク、CD
−ROM、光磁気ディスク等の記録媒体である。データ処
理装置１０５はCPUを含み、記録媒体１０４から情報ク
ラスタリングプログラムを読み込んで、これを実行す
る。
して入力する。出力装置１０３はクラスタ情報を出力す
る。記録媒体１０４は以上説明した情報入力部１１から
クラスタ認識部１５までの処理からなる情報クラスタリ
ングプログラムを記録した、フロッピィ・ディスク、CD
−ROM、光磁気ディスク等の記録媒体である。データ処
理装置１０５はCPUを含み、記録媒体１０４から情報ク
ラスタリングプログラムを読み込んで、これを実行す
る。
【００３９】
【発明の効果】以上説明したように、本発明は、入力ベ
クトルを自己組織化マップにより、その分布を近似し
て、２次元マップ上に類似度が高い順に配置し、そこか
ら距離マップとクラスタリングマップを生成し、クラス
タを認識することにより、未知の分布を持つような入力
情報の分類も、煩雑なパラメータを設定することなしに
行うことができる効果がある。
クトルを自己組織化マップにより、その分布を近似し
て、２次元マップ上に類似度が高い順に配置し、そこか
ら距離マップとクラスタリングマップを生成し、クラス
タを認識することにより、未知の分布を持つような入力
情報の分類も、煩雑なパラメータを設定することなしに
行うことができる効果がある。
【図面の簡単な説明】
【図１】本発明の一実施形態の情報クラスタリング装置
の構成図である。
の構成図である。
【図２】マッピング部１２の処理を示すフローチャート
である。
である。
【図３】自己組織化マップを示す図である。
【図４】自己組織化アルゴリズムの処理を示すフローチ
ャートである。
ャートである。
【図５】ユニットcと近傍集合を示す図である。
【図６】距離マップを説明する図である。
【図７】クラスタリングマップを説明する図である。
【図８】クラスタを認識する方法を説明する図である。
【図９】クラスタを認識する方法を説明する図である。
【図１０】本発明の他の実施形態の情報クラスタリング
装置の構成図である。
装置の構成図である。
１１ 情報入力部 １２ マッピング部 １３ 距離マップ生成部 １４ クラスタリングマップ生成部 １５ クラスタ認識部 ２１,２２,２３ ステップ ３１ 自己組織化マップ入力層 ３２ 自己組織化マップ出力層 ３３ 自己組織化マップの入力層３１を構成するユニ
ット ３４ 自己組織化マップの出力層３２を構成するユニ
ット ４０〜５０ ステップ ５１ ユニットc ５２ 近傍集合 ６１ 距離マップ ７１ クラスタリングマップ ７２ クラスタ境界 ８１ クラスタ境界 ８２ 入力ベクトルを表すもの ８３ クラスタ ９１ 入力ベクトルの位置 ９２ クラスタ境界 ９３〜９７ クラスタ認識区間 １０１ 入力装置 １０２ 記憶装置 １０３ 出力装置 １０４ 記録媒体 １０５ データ処理装置
ット ３４ 自己組織化マップの出力層３２を構成するユニ
ット ４０〜５０ ステップ ５１ ユニットc ５２ 近傍集合 ６１ 距離マップ ７１ クラスタリングマップ ７２ クラスタ境界 ８１ クラスタ境界 ８２ 入力ベクトルを表すもの ８３ クラスタ ９１ 入力ベクトルの位置 ９２ クラスタ境界 ９３〜９７ クラスタ認識区間 １０１ 入力装置 １０２ 記憶装置 １０３ 出力装置 １０４ 記録媒体 １０５ データ処理装置
フロントページの続き (72)発明者 田辺 隆也 東京都千代田区大手町二丁目３番１号 日 本電信電話株式会社内 (72)発明者 山本 学 東京都千代田区大手町二丁目３番１号 日 本電信電話株式会社内 Ｆターム(参考） 5D015 HH04 9A001 FF01 HH06 HZ21
Claims (8)
- 【請求項１】 様々な情報をその類似度により分類する
情報クラスタリング装置であって、 情報を多次元ベクトルとして入力する情報入力手段と、 入力された情報を自己組織化マップ上にその類似度の高
い情報毎にマッピングするマッピング手段と、 前記自己組織化マップから距離マップを生成する距離マ
ップ生成手段と、 前記距離マップからクラスタの境界をみつけ、クラスタ
リングマップを生成するクラスタリングマップ生成手段
と、 前記クラスタリングマップ上に作成されたクラスの境界
からクラスタ情報を取り出すクラスタ認識手段を有する
情報クラスタリング装置。 - 【請求項２】 前記マッピング手段は、入力された情報
ベクトルを自己組織化マップアルゴリズムにより、類似
度の高い情報毎に２次元の自己組織化マップ上にマッピ
ングしていく、請求項１記載の情報クラスタリング装
置。 - 【請求項３】 前記距離マップはニューロユニットで構
成される、請求項１または２記載の情報クラスタリング
装置。 - 【請求項４】 前記ニューロユニットは、入力された情
報と同じ次元のベクトルである参照ベクトルを内部状態
として持つ、請求項３記載の情報クラスタリング装置。 - 【請求項５】 前記距離マップ生成手段は、生成された
自己組織化マップ上に各ユニットの持つ参照ベクトルか
らユニット間の距離を算出し、自己組織化マップと算出
した距離から前記マップを生成する、請求項４記載の情
報クラスタリング装置。 - 【請求項６】前記クラスタリングマップ生成手段は、前
記距離マップ生成手段により作られた距離マップから、
クラスタの境界となる位置を認識し、クラスタ境界を記
述したクラスタリングマップを作り出す、請求項１から
５のいずれか１項記載の情報クラスタリング装置。 - 【請求項７】 前記クラスタ認識手段は、各クラスタ内
を走査し、その中に配置された入力ベクトルを取り出
す、請求項１から６のいずれか１項記載の情報クラスタ
リング装置。 - 【請求項８】 様々な情報をその類似度により分類する
情報クラスタリングプログラムであって、 情報を多次元ベクトルとして入力する情報入力処理と、 入力された情報を自己組織化マップ上にその類似度の高
い情報毎にマッピングするマッピング処理と、 前記自己組織化マップから距離マップを生成する距離マ
ップ生成処理と、 前記距離マップからクラスタの境界をみつけ、クラスタ
リングマップを生成する処理と、 前記クラスタリングマップ上に作成されたクラスタの境
界からクラスタ情報を取り出すクラスタ認識処理をコン
ピュータに実行させための情報クラスタリングプログラ
ムを記録した記録媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000039401A JP3712583B2 (ja) | 2000-02-17 | 2000-02-17 | 情報クラスタリング装置および情報クラスタリングプログラムを記録した記録媒体 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000039401A JP3712583B2 (ja) | 2000-02-17 | 2000-02-17 | 情報クラスタリング装置および情報クラスタリングプログラムを記録した記録媒体 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2001229362A true JP2001229362A (ja) | 2001-08-24 |
| JP3712583B2 JP3712583B2 (ja) | 2005-11-02 |
Family
ID=18562971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000039401A Expired - Fee Related JP3712583B2 (ja) | 2000-02-17 | 2000-02-17 | 情報クラスタリング装置および情報クラスタリングプログラムを記録した記録媒体 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3712583B2 (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003075221A1 (en) * | 2002-03-04 | 2003-09-12 | Nokia Corporation | Mechanism for unsupervised clustering |
| JP2005063341A (ja) * | 2003-08-20 | 2005-03-10 | Nec Soft Ltd | 集合の動的形成システム、集合の動的形成方法及びそのプログラム |
| JP2008181556A (ja) * | 2008-03-24 | 2008-08-07 | Glory Ltd | 特徴抽出方法 |
| JP2009145856A (ja) * | 2007-12-12 | 2009-07-02 | Inst For Information Industry | 英語変異発音を識別するモジュールの構築方法、および、当該モジュールの構築を実現するプログラムを記憶したコンピュータが読み取り可能な記録媒体 |
| WO2022114653A1 (ko) * | 2020-11-26 | 2022-06-02 | (주)심플랫폼 | 데이터 경계 도출 시스템 및 방법 |
-
2000
- 2000-02-17 JP JP2000039401A patent/JP3712583B2/ja not_active Expired - Fee Related
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003075221A1 (en) * | 2002-03-04 | 2003-09-12 | Nokia Corporation | Mechanism for unsupervised clustering |
| US7809726B2 (en) | 2002-03-04 | 2010-10-05 | Nokia Corporation | Mechanism for unsupervised clustering |
| JP2005063341A (ja) * | 2003-08-20 | 2005-03-10 | Nec Soft Ltd | 集合の動的形成システム、集合の動的形成方法及びそのプログラム |
| JP2009145856A (ja) * | 2007-12-12 | 2009-07-02 | Inst For Information Industry | 英語変異発音を識別するモジュールの構築方法、および、当該モジュールの構築を実現するプログラムを記憶したコンピュータが読み取り可能な記録媒体 |
| JP2008181556A (ja) * | 2008-03-24 | 2008-08-07 | Glory Ltd | 特徴抽出方法 |
| WO2022114653A1 (ko) * | 2020-11-26 | 2022-06-02 | (주)심플랫폼 | 데이터 경계 도출 시스템 및 방법 |
| KR20220073307A (ko) * | 2020-11-26 | 2022-06-03 | (주)심플랫폼 | 데이터 경계 도출 시스템 및 방법 |
| KR102433598B1 (ko) * | 2020-11-26 | 2022-08-18 | (주)심플랫폼 | 데이터 경계 도출 시스템 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3712583B2 (ja) | 2005-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ibrahim et al. | Cluster representation of the structural description of images for effective classification | |
| Ambauen et al. | Graph edit distance with node splitting and merging, and its application to diatom identification | |
| US20180285771A1 (en) | Efficient machine learning method | |
| US8606022B2 (en) | Information processing apparatus, method and program | |
| CN103425996B (zh) | 一种并行分布式的大规模图像识别方法 | |
| KR101443187B1 (ko) | 영상 군집화 기반의 의료 영상 검색 방법 | |
| WO2014205231A1 (en) | Deep learning framework for generic object detection | |
| JP2007109229A (ja) | 特定被写体検出装置及び方法 | |
| Buvana et al. | Content-based image retrieval based on hybrid feature extraction and feature selection technique pigeon inspired based optimization | |
| KR20170108339A (ko) | 영상에서 다수의 객체를 인식하는 방법 | |
| Subramanian et al. | PSO Based Fuzzy-Genetic Optimization Technique for Face Recognition | |
| Liu et al. | Planogram compliance checking using recurring patterns | |
| Kumar et al. | Development of a novel algorithm for SVMBDT fingerprint classifier based on clustering approach | |
| US8879804B1 (en) | System and method for automatic detection and recognition of facial features | |
| JP2001229362A (ja) | 情報クラスタリング装置および情報クラスタリングプログラムを記録した記録媒体 | |
| Hettiarachchi et al. | Multi-manifold-based skin classifier on feature space Voronoï regions for skin segmentation | |
| Bianchi et al. | An interpretable graph-based image classifier | |
| Elsayed et al. | Hand gesture recognition based on dimensionality reduction of histogram of oriented gradients | |
| US20230259761A1 (en) | Transfer learning system and method for deep neural network | |
| CN115203408A (zh) | 一种多模态试验数据智能标注方法 | |
| Alobaidi et al. | Face detection based on probability of amplitude distribution of local binary patterns algorithm | |
| JP3712582B2 (ja) | 情報クラスタリング装置および情報クラスタリングプログラムを記録した記録媒体 | |
| Ju et al. | A novel neutrosophic logic svm (n-svm) and its application to image categorization | |
| Histograms | Bi-level classification of color indexed image histograms for content based image retrieval | |
| Osuna-Galán et al. | Topology: A theory of a pseudometric-based clustering model and its application in content-based image retrieval |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20050126 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20050328 |
|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20050328 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20050328 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20050810 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20050817 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080826 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090826 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090826 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100826 Year of fee payment: 5 |
|
| LAPS | Cancellation because of no payment of annual fees |