JPH11213151A - パターン集合分類方法および装置とパターン集合分類プログラムを記録した記録媒体 - Google Patents
パターン集合分類方法および装置とパターン集合分類プログラムを記録した記録媒体Info
- Publication number
- JPH11213151A JPH11213151A JP10014473A JP1447398A JPH11213151A JP H11213151 A JPH11213151 A JP H11213151A JP 10014473 A JP10014473 A JP 10014473A JP 1447398 A JP1447398 A JP 1447398A JP H11213151 A JPH11213151 A JP H11213151A
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- local average
- pattern vector
- vector
- original
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
(57)【要約】
【課題】 試行錯誤による処理量の発散がなく、安定お
よび高精度な汎用的クラスター分析を実現し得るパター
ン集合分類方法および装置とパターン集合分類プログラ
ムを記録した記録媒体を提供する。 【解決手段】 分類すべき任意のパターン集合の各パタ
ーンをベクトル空間の１点で表現しておき、パターンベ
クトル相互のベクトル間距離の分布に基づき局所平均操
作の適用半径を自動的に算出し、前記局所平均操作適用
半径を用いた局所平均の更新操作を反復的にパターン集
合に施しながら収束させて徐々にクラスター数が減少
し、最終的に１つまたは所定の数になるまで階層的なク
ラスター分析結果を出力することにより、任意のパター
ンベクトル集合に対して試行錯誤を要せずに安定かつ高
精度な汎用クラスター分析を実行する。
よび高精度な汎用的クラスター分析を実現し得るパター
ン集合分類方法および装置とパターン集合分類プログラ
ムを記録した記録媒体を提供する。 【解決手段】 分類すべき任意のパターン集合の各パタ
ーンをベクトル空間の１点で表現しておき、パターンベ
クトル相互のベクトル間距離の分布に基づき局所平均操
作の適用半径を自動的に算出し、前記局所平均操作適用
半径を用いた局所平均の更新操作を反復的にパターン集
合に施しながら収束させて徐々にクラスター数が減少
し、最終的に１つまたは所定の数になるまで階層的なク
ラスター分析結果を出力することにより、任意のパター
ンベクトル集合に対して試行錯誤を要せずに安定かつ高
精度な汎用クラスター分析を実行する。
Description
【０００１】
【発明の属する技術分野】本発明は、各パターンが任意
次元空間のベクトルで表現されるパターン集合を階層的
に類似パターン同士の部分集合に分類するパターン集合
分類方法および装置とパターン集合分類プログラムを記
録した記録媒体に関する。
次元空間のベクトルで表現されるパターン集合を階層的
に類似パターン同士の部分集合に分類するパターン集合
分類方法および装置とパターン集合分類プログラムを記
録した記録媒体に関する。
【０００２】
【従来の技術】ある集団の個体をいくつかの群に分類し
たいという要求は、生物学の分野にとどまらず、種々様
々な領域に存在する。このため、”似たもの同士”を集
める手法としてクラスター分析（クラスターは集落の
意）の技術がある。クラスターの分析は、計算機の発達
と相まって、薬物や毒物の分類、企業の分類、文献の分
類、医学における症候群の分類、工業製品の分類等で広
く利用されている。しかし、理論的には後述するように
未だ解決されていない点が種々ある。
たいという要求は、生物学の分野にとどまらず、種々様
々な領域に存在する。このため、”似たもの同士”を集
める手法としてクラスター分析（クラスターは集落の
意）の技術がある。クラスターの分析は、計算機の発達
と相まって、薬物や毒物の分類、企業の分類、文献の分
類、医学における症候群の分類、工業製品の分類等で広
く利用されている。しかし、理論的には後述するように
未だ解決されていない点が種々ある。
【０００３】ある集団をパターン集団として表現して、
類似パターン同士をそれぞれ部分集合、すなわちクラス
ターに分類するクラスター分析の従来技術には、大別し
て、分割型の手法と集約型の手法とがある（例えば、奥
野他、”多変量解析法”、pp.391-412、日科技連、1981
参照）。
類似パターン同士をそれぞれ部分集合、すなわちクラス
ターに分類するクラスター分析の従来技術には、大別し
て、分割型の手法と集約型の手法とがある（例えば、奥
野他、”多変量解析法”、pp.391-412、日科技連、1981
参照）。
【０００４】分割型のクラスター分析法としては、予め
クラスターの数を指定して各クラスター中心位置をラン
ダムに与えてから、各パターンをそれぞれ最近傍にある
クラスター中心に割り付ける操作をクラスター中心位置
を更新しながら収束するまで反復する手法、あるいは各
クラスターが正規分布に従うと仮定してパターン集合を
最適に近似する多重正規分布を求めてから分割する手法
がある。しかし、これらの手法ではクラスター数および
クラスター中心位置を変数とする試行錯誤が必要であり
処理量が膨大となった。
クラスターの数を指定して各クラスター中心位置をラン
ダムに与えてから、各パターンをそれぞれ最近傍にある
クラスター中心に割り付ける操作をクラスター中心位置
を更新しながら収束するまで反復する手法、あるいは各
クラスターが正規分布に従うと仮定してパターン集合を
最適に近似する多重正規分布を求めてから分割する手法
がある。しかし、これらの手法ではクラスター数および
クラスター中心位置を変数とする試行錯誤が必要であり
処理量が膨大となった。
【０００５】集約型のクラスター分析法としては、２パ
ターン間の距離（あるいは類似度）を定義して最も距離
が近い（あるいは類似度が高い）もの同士から順次階層
的にまとめていく手法、パターン集合に局所的な凝集操
作を施して距離が近いものを収束させてクラスターとす
るという手法（例えば、K.Fukunaga and L.D.Hostetle
r,"The estimation of the gradient of a density fun
ction,with applications in pattem recognition,"Tra
ns.IEEE Inform.Theory,IT-21,pp.32-40,1975あるいは
特願平３−２１８７号「パターン集合分類装置」）があ
る。
ターン間の距離（あるいは類似度）を定義して最も距離
が近い（あるいは類似度が高い）もの同士から順次階層
的にまとめていく手法、パターン集合に局所的な凝集操
作を施して距離が近いものを収束させてクラスターとす
るという手法（例えば、K.Fukunaga and L.D.Hostetle
r,"The estimation of the gradient of a density fun
ction,with applications in pattem recognition,"Tra
ns.IEEE Inform.Theory,IT-21,pp.32-40,1975あるいは
特願平３−２１８７号「パターン集合分類装置」）があ
る。
【０００６】前者はパターン集合の大局的な分布を考慮
せずに２パターン単位でまとめていくため不自然な鎖状
効果を生じた。後者は局所的な凝集操作の及ぶ範囲の大
きさにより収束結果が大きく変動するにもかかわらず凝
集範囲の最適な設定法が示されておらず、凝集操作の適
用にあたっては試行錯誤が不可欠になった。このため、
処理量の発散のみでなく得られたクラスターの妥当性の
点で難点があった。
せずに２パターン単位でまとめていくため不自然な鎖状
効果を生じた。後者は局所的な凝集操作の及ぶ範囲の大
きさにより収束結果が大きく変動するにもかかわらず凝
集範囲の最適な設定法が示されておらず、凝集操作の適
用にあたっては試行錯誤が不可欠になった。このため、
処理量の発散のみでなく得られたクラスターの妥当性の
点で難点があった。
【０００７】
【発明が解決しようとする課題】前述したように、従来
技術のクラスター分析における分割型の手法では、クラ
スター数およびクラスター中心位置について試行錯誤が
あり、組合せ論的な処理量の発散という問題があった。
技術のクラスター分析における分割型の手法では、クラ
スター数およびクラスター中心位置について試行錯誤が
あり、組合せ論的な処理量の発散という問題があった。
【０００８】また、集約型の手法では、２パターン単位
の階層的なまとめ上げや凝集操作の導入によりクラスタ
ーの自動生成を実現しているが、不自然な鎖状効果の発
生や凝集操作の試行錯誤のために、得られるクラスター
の安定性や妥当性に問題があった。
の階層的なまとめ上げや凝集操作の導入によりクラスタ
ーの自動生成を実現しているが、不自然な鎖状効果の発
生や凝集操作の試行錯誤のために、得られるクラスター
の安定性や妥当性に問題があった。
【０００９】本発明は、上記に鑑みてなされたもので、
その目的とするところは、試行錯誤による処理量の発散
がなく、安定および高精度な汎用的クラスター分析を実
現し得るパターン集合分類方法および装置とパターン集
合分類プログラムを記録した記録媒体を提供することに
ある。
その目的とするところは、試行錯誤による処理量の発散
がなく、安定および高精度な汎用的クラスター分析を実
現し得るパターン集合分類方法および装置とパターン集
合分類プログラムを記録した記録媒体を提供することに
ある。
【００１０】
【課題を解決するための手段】上記目的を達成するた
め、請求項１記載の本発明は、各パターンが任意次元空
間のベクトルで表現されるパターン集合を階層的に類似
パターン同士の部分集合に分類するパターン集合分類方
法であって、分類すべきパターンベクトル集合における
パターンベクトル相互のベクトル間距離の分布に基づき
局所平均操作適用半径を算出し、局所平均パターンベク
トル集合として初期状態が原パターンベクトル集合と同
一であり、かつ各局所平均パターンベクトルがその初期
値である原パターンベクトルにそれぞれ１対１に対応す
るようなパターンベクトル集合を用意し、局所平均パタ
ーンベクトル集合内の各局所平均パターンベクトルを前
記局所平均操作適用半径で制限される範囲内に含まれる
原パターンベクトル群の重み付き局所平均操作により算
出したパターンベクトルにそれぞれ更新する局所平均パ
ターンベクトル更新操作を反復し、局所平均パターンベ
クトルの更新操作が収束した時点で局所平均パターンベ
クトル集合から相互に区別できなくなったものを集約し
て複数の代表パターンベクトルを生成し、各代表パター
ンベクトルが代表する局所平均パターンベクトル群につ
いて１対１に対応する原パターンベクトル群をそれぞれ
部分集合として原パターン集合の分類を行い、前記局所
平均パターンベクトル更新操作が収束する毎に局所平均
操作適用半径の値を増加して更新操作を反復することに
より局所平均パターンベクトル集合を更に収束させてい
き、当該パターン集合を部分集合の総数が漸減して最終
的に１つまたは所定の数になるまで階層的に分類するこ
とを要旨とする。
め、請求項１記載の本発明は、各パターンが任意次元空
間のベクトルで表現されるパターン集合を階層的に類似
パターン同士の部分集合に分類するパターン集合分類方
法であって、分類すべきパターンベクトル集合における
パターンベクトル相互のベクトル間距離の分布に基づき
局所平均操作適用半径を算出し、局所平均パターンベク
トル集合として初期状態が原パターンベクトル集合と同
一であり、かつ各局所平均パターンベクトルがその初期
値である原パターンベクトルにそれぞれ１対１に対応す
るようなパターンベクトル集合を用意し、局所平均パタ
ーンベクトル集合内の各局所平均パターンベクトルを前
記局所平均操作適用半径で制限される範囲内に含まれる
原パターンベクトル群の重み付き局所平均操作により算
出したパターンベクトルにそれぞれ更新する局所平均パ
ターンベクトル更新操作を反復し、局所平均パターンベ
クトルの更新操作が収束した時点で局所平均パターンベ
クトル集合から相互に区別できなくなったものを集約し
て複数の代表パターンベクトルを生成し、各代表パター
ンベクトルが代表する局所平均パターンベクトル群につ
いて１対１に対応する原パターンベクトル群をそれぞれ
部分集合として原パターン集合の分類を行い、前記局所
平均パターンベクトル更新操作が収束する毎に局所平均
操作適用半径の値を増加して更新操作を反復することに
より局所平均パターンベクトル集合を更に収束させてい
き、当該パターン集合を部分集合の総数が漸減して最終
的に１つまたは所定の数になるまで階層的に分類するこ
とを要旨とする。
【００１１】請求項１記載の本発明にあっては、分類す
べき任意のパターン集合の各パターンをベクトル空間の
１点で表現しておき、パターンベクトル相互のベクトル
間距離の分布に基づき局所平均操作の適用半径を自動的
に算出し、前記局所平均操作適用半径を用いた局所平均
の更新操作を反復的にパターン集合に施しながら収束さ
せて徐々にクラスター数が減少し、最終的に１つまたは
所定の数になるまで階層的なクラスター分析結果を出力
することにより、任意のパターンベクトル集合に対して
試行錯誤を要せずに安定かつ高精度な汎用クラスター分
析を実行する。
べき任意のパターン集合の各パターンをベクトル空間の
１点で表現しておき、パターンベクトル相互のベクトル
間距離の分布に基づき局所平均操作の適用半径を自動的
に算出し、前記局所平均操作適用半径を用いた局所平均
の更新操作を反復的にパターン集合に施しながら収束さ
せて徐々にクラスター数が減少し、最終的に１つまたは
所定の数になるまで階層的なクラスター分析結果を出力
することにより、任意のパターンベクトル集合に対して
試行錯誤を要せずに安定かつ高精度な汎用クラスター分
析を実行する。
【００１２】また、請求項２記載の本発明は、各パター
ンが任意次元空間のベクトルで表現されるパターン集合
を階層的に類似パターン同士の部分集合に分類するパタ
ーン集合分類装置であって、原パターン集合を格納する
パターンベクトル集合格納部と、分類対象となるパター
ンベクトル相互のベクトル間距離の分布に基づき局所平
均操作適用半径の初期値を算出するとともに階層的に分
類を行うために該局所平均操作適用半径の値を順次増加
する局所平均操作適用半径算出処理部と、局所平均パタ
ーンベクトル集合として初期状態が原パターンベクトル
集合と同一であり、かつ各局所平均パターンベクトルが
その初期値である原パターンベクトルにそれぞれ１対１
に対応するようなベクトル集合を用意しておき、各局所
平均パターンベクトルを前記局所平均操作適用半径で制
限される範囲内に含まれる原パターンベクトル群の重み
付き局所平均操作により算出したパターンベクトルに更
新する局所平均パターンベクトル更新操作を反復する局
所平均パターンベクトル更新処理部と、局所平均パター
ンベクトルの更新操作が収束した時点で局所平均パター
ンベクトル集合から相互に区別できなくなったものを集
約して複数の代表パターンベクトルを生成する代表パタ
ーンベクトル生成処理部と、各代表パターンベクトルが
代表する局所平均パターンベクトル群について１対１に
対応する原パターンベクトル群をそれぞれ部分集合とし
て当該パターン集合の階層的分類の途中結果として出力
するとともに、該部分集合の総数が漸減して最終的に１
つまたは所定の数になるまで階層的に分類するために、
前記局所平均パターンベクトル更新操作が収束する毎に
局所平均操作適用半径の値を順次増加するように局所平
均操作適用半径算出処理部への指示を行う階層的分類収
束判定処理部とを有することを要旨とする。
ンが任意次元空間のベクトルで表現されるパターン集合
を階層的に類似パターン同士の部分集合に分類するパタ
ーン集合分類装置であって、原パターン集合を格納する
パターンベクトル集合格納部と、分類対象となるパター
ンベクトル相互のベクトル間距離の分布に基づき局所平
均操作適用半径の初期値を算出するとともに階層的に分
類を行うために該局所平均操作適用半径の値を順次増加
する局所平均操作適用半径算出処理部と、局所平均パタ
ーンベクトル集合として初期状態が原パターンベクトル
集合と同一であり、かつ各局所平均パターンベクトルが
その初期値である原パターンベクトルにそれぞれ１対１
に対応するようなベクトル集合を用意しておき、各局所
平均パターンベクトルを前記局所平均操作適用半径で制
限される範囲内に含まれる原パターンベクトル群の重み
付き局所平均操作により算出したパターンベクトルに更
新する局所平均パターンベクトル更新操作を反復する局
所平均パターンベクトル更新処理部と、局所平均パター
ンベクトルの更新操作が収束した時点で局所平均パター
ンベクトル集合から相互に区別できなくなったものを集
約して複数の代表パターンベクトルを生成する代表パタ
ーンベクトル生成処理部と、各代表パターンベクトルが
代表する局所平均パターンベクトル群について１対１に
対応する原パターンベクトル群をそれぞれ部分集合とし
て当該パターン集合の階層的分類の途中結果として出力
するとともに、該部分集合の総数が漸減して最終的に１
つまたは所定の数になるまで階層的に分類するために、
前記局所平均パターンベクトル更新操作が収束する毎に
局所平均操作適用半径の値を順次増加するように局所平
均操作適用半径算出処理部への指示を行う階層的分類収
束判定処理部とを有することを要旨とする。
【００１３】請求項２記載の本発明にあっては、局所平
均操作適用半径算出処理部においてパターンベクトル相
互のベクトル間距離の分布に基づき局所平均操作適用半
径を算出するとともに階層的に分類を行うために該局所
平均操作適用半径の値を順次増加し、代表パターンベク
トル生成処理部において原パターンベクトル集合を初期
値とする局所平均パターンベクトル集合を用意して、各
局所平均パターンベクトルを局所平均操作適用半径で制
限される範囲内に含まれる原パターンベクトル群の重み
付き局所平均操作により算出したパターンベクトルに逐
次更新し、代表パターンベクトル生成処理部において更
新操作が収束した時点で局所平均パターンベクトル集合
から各代表パターンベクトルを生成し、階層的分類収束
判定処理部において各代表パターンベクトルに代表され
る原パターンベクトル群をそれぞれ部分集合として分類
するとともに、局所平均操作適用半径の値を順次増加さ
せながら、前記更新操作を反復適用することにより部分
集合の総数が漸減して最終的に１つまたは所定の数にな
るまで階層的に分類し、任意のパターン集合の分布に対
して安定かつ高精度な階層的分類を実現する。
均操作適用半径算出処理部においてパターンベクトル相
互のベクトル間距離の分布に基づき局所平均操作適用半
径を算出するとともに階層的に分類を行うために該局所
平均操作適用半径の値を順次増加し、代表パターンベク
トル生成処理部において原パターンベクトル集合を初期
値とする局所平均パターンベクトル集合を用意して、各
局所平均パターンベクトルを局所平均操作適用半径で制
限される範囲内に含まれる原パターンベクトル群の重み
付き局所平均操作により算出したパターンベクトルに逐
次更新し、代表パターンベクトル生成処理部において更
新操作が収束した時点で局所平均パターンベクトル集合
から各代表パターンベクトルを生成し、階層的分類収束
判定処理部において各代表パターンベクトルに代表され
る原パターンベクトル群をそれぞれ部分集合として分類
するとともに、局所平均操作適用半径の値を順次増加さ
せながら、前記更新操作を反復適用することにより部分
集合の総数が漸減して最終的に１つまたは所定の数にな
るまで階層的に分類し、任意のパターン集合の分布に対
して安定かつ高精度な階層的分類を実現する。
【００１４】更に、請求項３記載の本発明は、各パター
ンが任意次元空間のベクトルで表現されるパターン集合
を階層的に類似パターン同士の部分集合に分類するパタ
ーン集合分類プログラムを記録した記録媒体であって、
分類すべきパターンベクトル集合におけるパターンベク
トル相互のベクトル間距離の分布に基づき局所平均操作
適用半径を算出し、局所平均パターンベクトル集合とし
て初期状態が原パターンベクトル集合と同一であり、か
つ各局所平均パターンベクトルがその初期値である原パ
ターンベクトルにそれぞれ１対１に対応するようなパタ
ーンベクトル集合を用意し、局所平均パターンベクトル
集合内の各局所平均パターンベクトルを前記局所平均操
作適用半径で制限される範囲内に含まれる原パターンベ
クトル群の重み付き局所平均操作により算出したパター
ンベクトルにそれぞれ更新する局所平均パターンベクト
ル更新操作を反復し、局所平均パターンベクトルの更新
操作が収束した時点で局所平均パターンベクトル集合か
ら相互に区別できなくなったものを集約して複数の代表
パターンベクトルを生成し、各代表パターンベクトルが
代表する局所平均パターンベクトル群について１対１に
対応する原パターンベクトル群をそれぞれ部分集合とし
て原パターン集合の分類を行い、前記局所平均パターン
ベクトル更新操作が収束する毎に局所平均操作適用半径
の値を増加して更新操作を反復することにより局所平均
パターンベクトル集合を更に収束させていき、当該パタ
ーン集合を部分集合の総数が漸減して最終的に１つまた
は所定の数になるまで階層的に分類するパターン集合分
類プログラムを記録媒体として記録することを要旨とす
る。
ンが任意次元空間のベクトルで表現されるパターン集合
を階層的に類似パターン同士の部分集合に分類するパタ
ーン集合分類プログラムを記録した記録媒体であって、
分類すべきパターンベクトル集合におけるパターンベク
トル相互のベクトル間距離の分布に基づき局所平均操作
適用半径を算出し、局所平均パターンベクトル集合とし
て初期状態が原パターンベクトル集合と同一であり、か
つ各局所平均パターンベクトルがその初期値である原パ
ターンベクトルにそれぞれ１対１に対応するようなパタ
ーンベクトル集合を用意し、局所平均パターンベクトル
集合内の各局所平均パターンベクトルを前記局所平均操
作適用半径で制限される範囲内に含まれる原パターンベ
クトル群の重み付き局所平均操作により算出したパター
ンベクトルにそれぞれ更新する局所平均パターンベクト
ル更新操作を反復し、局所平均パターンベクトルの更新
操作が収束した時点で局所平均パターンベクトル集合か
ら相互に区別できなくなったものを集約して複数の代表
パターンベクトルを生成し、各代表パターンベクトルが
代表する局所平均パターンベクトル群について１対１に
対応する原パターンベクトル群をそれぞれ部分集合とし
て原パターン集合の分類を行い、前記局所平均パターン
ベクトル更新操作が収束する毎に局所平均操作適用半径
の値を増加して更新操作を反復することにより局所平均
パターンベクトル集合を更に収束させていき、当該パタ
ーン集合を部分集合の総数が漸減して最終的に１つまた
は所定の数になるまで階層的に分類するパターン集合分
類プログラムを記録媒体として記録することを要旨とす
る。
【００１５】請求項３記載の本発明にあっては、分類す
べき任意のパターン集合の各パターンをベクトル空間の
１点で表現しておき、パターンベクトル相互のベクトル
間距離の分布に基づき局所平均操作の適用半径を自動的
に算出し、前記局所平均操作適用半径を用いた局所平均
の更新操作を反復的にパターン集合に施しながら収束さ
せて徐々にクラスター数が減少し、最終的に１つまたは
所定の数になるまで階層的なクラスター分析結果を出力
することにより、任意のパターンベクトル集合に対して
試行錯誤を要せずに安定かつ高精度な汎用クラスター分
析を実行するパターン集合分類プログラムを記録媒体と
して記録し、該記録媒体を用いて、その流通性を高める
ことができる。
べき任意のパターン集合の各パターンをベクトル空間の
１点で表現しておき、パターンベクトル相互のベクトル
間距離の分布に基づき局所平均操作の適用半径を自動的
に算出し、前記局所平均操作適用半径を用いた局所平均
の更新操作を反復的にパターン集合に施しながら収束さ
せて徐々にクラスター数が減少し、最終的に１つまたは
所定の数になるまで階層的なクラスター分析結果を出力
することにより、任意のパターンベクトル集合に対して
試行錯誤を要せずに安定かつ高精度な汎用クラスター分
析を実行するパターン集合分類プログラムを記録媒体と
して記録し、該記録媒体を用いて、その流通性を高める
ことができる。
【００１６】
【発明の実施の形態】以下、図面を用いて本発明の実施
の形態について説明する。
の形態について説明する。
【００１７】図１は、本発明の一実施形態に係るパター
ン集合分類方法を実施するパターン集合分類装置の構成
を示すブロック図である。同図において、１はパターン
ベクトル集合格納部、２は局所平均操作適用半径算出処
理部、３は局所平均パターンベクトル更新処理部、４は
代表パターンベクトル生成処理部、５は階層的分類収束
判定処理部である。図１に示すパターン集合分類装置
は、例えばＣＰＵおよびメモリ等からなる１つ以上の処
理装置によって構成されるものである。
ン集合分類方法を実施するパターン集合分類装置の構成
を示すブロック図である。同図において、１はパターン
ベクトル集合格納部、２は局所平均操作適用半径算出処
理部、３は局所平均パターンベクトル更新処理部、４は
代表パターンベクトル生成処理部、５は階層的分類収束
判定処理部である。図１に示すパターン集合分類装置
は、例えばＣＰＵおよびメモリ等からなる１つ以上の処
理装置によって構成されるものである。
【００１８】次に、各処理部の動作について更に詳しく
説明する。
説明する。
【００１９】パターンベクトル集合格納部１は、分類す
べきｎ個のパターンからなる原パターン集合Ｘの各パタ
ーンをｒ次元ベクトル空間の１点として表現し、第ｉパ
ターンのベクトル表現を
べきｎ個のパターンからなる原パターン集合Ｘの各パタ
ーンをｒ次元ベクトル空間の１点として表現し、第ｉパ
ターンのベクトル表現を
【数１】 Ｘi ＝（Ｘi1 Ｘi2・・・Ｘir）T （１≦ｉ≦ｎ） …（１） で表わすと、当該パターンベクトル集合としてはｎ個の
パターンのベクトル表現｛Ｘi ｝（１≦ｉ≦ｎ）の各成
分の値を格納しておく。これらパターン集合Ｘのベクト
ル表現は局所平均操作適用半径算出処理部２へ送出され
る。
パターンのベクトル表現｛Ｘi ｝（１≦ｉ≦ｎ）の各成
分の値を格納しておく。これらパターン集合Ｘのベクト
ル表現は局所平均操作適用半径算出処理部２へ送出され
る。
【００２０】局所平均操作適用半径算出処理部２は、パ
ターン集合Ｘ内のパターンベクトル相互のベクトル間距
離の分布に基づき局所平均操作の適用半径θの初期値を
算出する。まず、パターン集合Ｘ内に属する各パターン
ベクトルＸi について最近傍にあるパターンベクトルま
での最近傍パターン間距離ｄNN（Ｘi ）を次式
ターン集合Ｘ内のパターンベクトル相互のベクトル間距
離の分布に基づき局所平均操作の適用半径θの初期値を
算出する。まず、パターン集合Ｘ内に属する各パターン
ベクトルＸi について最近傍にあるパターンベクトルま
での最近傍パターン間距離ｄNN（Ｘi ）を次式
【数２】 ｄNN（Ｘi ）＝ｍｉｎj ‖Ｘi −Ｘj ‖2 …（２） 但し、ｍｉｎj はｊ＝１，２，・・・，ｎ（ｊ≠ｉ） に関する最小値を求める操作を表わす。また‖ ‖はユ
ークリッドノルムを表わす。
ークリッドノルムを表わす。
【００２１】により決定する。次に、これら最近傍パタ
ーン間距離｛ｄNN（Ｘi ）｝（１≦ｉ≦ｎ）の平均値と
して前記局所平均操作適用半径θの初期値θ0 を次式
ーン間距離｛ｄNN（Ｘi ）｝（１≦ｉ≦ｎ）の平均値と
して前記局所平均操作適用半径θの初期値θ0 を次式
【数３】 θ2 0 ＝（１／ｎ）Σi ｄNN（Ｘi ） …（３） 但し、Σi はｉ＝１，２，・・・，ｎに関する和を表わ
す。
す。
【００２２】により算出する。該局所平均操作適用半径
θは局所平均パターンベクトル更新処理部３へ送出され
る。更に、後述する階層的分類収束判定処理部５におい
て分類が収束していない、すなわち非収束と判定される
毎に次式 θ2 ＋θ2 0 → θ2 …（４） により前記局所平均操作適用半径θの値を順次増加す
る。すなわち、前記非収束判定に基づくθの増加回数を
ｐ（＝０，１，２，・・・）と記すとθの値は θ2 ＝θ2 0 ＋ｐ×θ2 0 …（５） により算出される。こうして算出された該局所平均操作
適用半径θは局所平均パターンベクトル更新処理部３へ
送出される。
θは局所平均パターンベクトル更新処理部３へ送出され
る。更に、後述する階層的分類収束判定処理部５におい
て分類が収束していない、すなわち非収束と判定される
毎に次式 θ2 ＋θ2 0 → θ2 …（４） により前記局所平均操作適用半径θの値を順次増加す
る。すなわち、前記非収束判定に基づくθの増加回数を
ｐ（＝０，１，２，・・・）と記すとθの値は θ2 ＝θ2 0 ＋ｐ×θ2 0 …（５） により算出される。こうして算出された該局所平均操作
適用半径θは局所平均パターンベクトル更新処理部３へ
送出される。
【００２３】局所平均パターンベクトル更新処理部３
は、原パターン集合Ｘの各パターンベクトルＸi （１≦
ｉ≦ｎ）をそれぞれ初期値として１対１に対応させた局
所平均パターンベクトルの集合 Ｙ＝｛Ｙi ｝ （１≦ｉ≦ｎ） を導入して、該局所平均パターンベクトルを前記局所平
均操作適用半径算出処理部２から送出された局所平均操
作適用半径θで制限される範囲内に含まれる原パターン
ベクトル群の重み付き局所平均操作により算出したパタ
ーンベクトルに逐次更新していく局所平均パターンベク
トル更新操作の反復処理を行う。以下、具体的な処理手
順を述べる。
は、原パターン集合Ｘの各パターンベクトルＸi （１≦
ｉ≦ｎ）をそれぞれ初期値として１対１に対応させた局
所平均パターンベクトルの集合 Ｙ＝｛Ｙi ｝ （１≦ｉ≦ｎ） を導入して、該局所平均パターンベクトルを前記局所平
均操作適用半径算出処理部２から送出された局所平均操
作適用半径θで制限される範囲内に含まれる原パターン
ベクトル群の重み付き局所平均操作により算出したパタ
ーンベクトルに逐次更新していく局所平均パターンベク
トル更新操作の反復処理を行う。以下、具体的な処理手
順を述べる。
【００２４】まず、前記局所平均パターンベクトルＹi
の更新操作の反復処理において、反復回数ｑ（ｑ＝１，
２，・・・）の関数としてＹi （ｑ）を次式
の更新操作の反復処理において、反復回数ｑ（ｑ＝１，
２，・・・）の関数としてＹi （ｑ）を次式
【数４】 Ｙi （０）＝Ｘi （１≦ｉ≦ｎ） …（６） Ｙi （ｑ）＝Σj ω（Ｘj −Ｙi （ｑ−１））Ｘj ／Σj ω（Ｘj −Ｙi （ｑ−１）） …（７） 但し、Σj はｊ＝１，２，・・・，ｎに関する和を表わ
す。
す。
【００２５】に従って算出する。ここで、関数ωは前記
局所平均操作適用半径θで制限されるガウス型重み関数
であり、次式
局所平均操作適用半径θで制限されるガウス型重み関数
であり、次式
【数５】 ω（Ｓ）＝ｅｘｐ（−‖Ｓ‖2 ／θ2 ） …（８） で与えられる。但し、Ｓは中心からの変位ベクトルを示
す。
す。
【００２６】次に、各反復回数ｑにおいて上式（７）に
よる更新操作が収束したか否かの判定を行い、次式に示
す条件
よる更新操作が収束したか否かの判定を行い、次式に示
す条件
【数６】 （１／ｎ）Σi ‖Ｙi （ｑ）−Ｙi （ｑ−１）‖2 ＜Ｔｈ …（９） 但し、Ｔｈは予め定めた十分小さな正定数である。
【００２７】が満足された時点で前記更新操作が収束し
たものと判定する。
たものと判定する。
【００２８】本処理部３は、上記収束条件（９）が満足
されるまで、前記式（７）に従って各局所平均パターン
ベクトルの更新操作を反復する。最終的に前記収束条件
（９）が満足された時点で、得られた局所平均パターン
ベクトル集合 Ｙ＝｛Ｙi ｝ （１≦ｉ≦ｎ） を代表パターンベクトル生成処理部４へ送出する。
されるまで、前記式（７）に従って各局所平均パターン
ベクトルの更新操作を反復する。最終的に前記収束条件
（９）が満足された時点で、得られた局所平均パターン
ベクトル集合 Ｙ＝｛Ｙi ｝ （１≦ｉ≦ｎ） を代表パターンベクトル生成処理部４へ送出する。
【００２９】代表パターンベクトル生成処理部４は、局
所平均パターンベクトル更新処理部３から送出された局
所平均パターンベクトル集合 Ｙ＝｛Ｙi ｝ （１≦ｉ≦ｎ） について相互に区別できなくなった局所平均パターンベ
クトル群を集約して１つの代表パターンベクトルで代表
させることにより複数の代表パターンベクトルを生成す
る処理を行う。以下、具体的な処理手順を述べる。
所平均パターンベクトル更新処理部３から送出された局
所平均パターンベクトル集合 Ｙ＝｛Ｙi ｝ （１≦ｉ≦ｎ） について相互に区別できなくなった局所平均パターンベ
クトル群を集約して１つの代表パターンベクトルで代表
させることにより複数の代表パターンベクトルを生成す
る処理を行う。以下、具体的な処理手順を述べる。
【００３０】まず、局所平均パターンベクトル集合Ｙが
占めるｒ次元ベクトル空間の部分領域を１辺の長さが十
分小さな値Δ（＞０）をもつｒ次元立方体（体積は
Δr ）を単位として格子状に分割したｒ次元立方格子で
表現する。
占めるｒ次元ベクトル空間の部分領域を１辺の長さが十
分小さな値Δ（＞０）をもつｒ次元立方体（体積は
Δr ）を単位として格子状に分割したｒ次元立方格子で
表現する。
【００３１】次いで、前記ｒ次元立方格子空間内におい
て同一の格子に含まれる局所平均パターンベクトル群を
相互のベクトル間距離が小さく区別できないものとして
集約し、それらを代表するベクトルである該格子の中心
ベクトルを代表パターンベクトルＺとして生成する。代
表パターンベクトルＺに集約された各局所平均パターン
ベクトルに１対１に対応している原パターンベクトルを
集めた部分集合が１つのクラスターを構成することにな
る。ここで、生成された代表パターンベクトルの総数、
すなわちクラスター数をｍと記して、代表パターンベク
トル集合を Ｚ＝｛Ｚk ｝ （１≦ｋ≦ｍ） と表わす。但し、原パターンベクトルの総数はｎである
ので、ｍは１≦ｍ≦ｎを満たす整数である。こうして生
成された代表パターンベクトル集合 Ｚ＝｛Ｚk ｝ （１≦ｋ≦ｍ） は階層的分類収束判定処理部５へ送出される。
て同一の格子に含まれる局所平均パターンベクトル群を
相互のベクトル間距離が小さく区別できないものとして
集約し、それらを代表するベクトルである該格子の中心
ベクトルを代表パターンベクトルＺとして生成する。代
表パターンベクトルＺに集約された各局所平均パターン
ベクトルに１対１に対応している原パターンベクトルを
集めた部分集合が１つのクラスターを構成することにな
る。ここで、生成された代表パターンベクトルの総数、
すなわちクラスター数をｍと記して、代表パターンベク
トル集合を Ｚ＝｛Ｚk ｝ （１≦ｋ≦ｍ） と表わす。但し、原パターンベクトルの総数はｎである
ので、ｍは１≦ｍ≦ｎを満たす整数である。こうして生
成された代表パターンベクトル集合 Ｚ＝｛Ｚk ｝ （１≦ｋ≦ｍ） は階層的分類収束判定処理部５へ送出される。
【００３２】階層的分類収束判定処理部５は、代表パタ
ーンベクトル生成処理部４より送出された代表パターン
ベクトル集合 Ｚ＝｛Ｚk ｝ （１≦ｋ≦ｍ） について各代表パターンベクトルに代表される原パター
ンベクトル群をそれぞれ部分集合とし、この部分集合の
集まりを原パターン集合Ｘに対する階層的分類の途中結
果として出力する。
ーンベクトル生成処理部４より送出された代表パターン
ベクトル集合 Ｚ＝｛Ｚk ｝ （１≦ｋ≦ｍ） について各代表パターンベクトルに代表される原パター
ンベクトル群をそれぞれ部分集合とし、この部分集合の
集まりを原パターン集合Ｘに対する階層的分類の途中結
果として出力する。
【００３３】この階層的分類途中結果の出力と同時に、
階層的分類収束判定処理部５は、階層的分類の収束判定
を行い、部分集合の総数、すなわちクラスター数ｍが１
つまたは所定の数に等しい場合に分類を終了する。一
方、ｍが１つまたは所定の数より大きい場合は、更に階
層的な分類を続行するために、局所平均操作適用半径算
出処理部２で該局所平均操作適用半径の値θを増加させ
てから、処理部３および４における局所平均パターンベ
クトルの更新処理および代表パターンベクトルの生成処
理を反復する。このように、前記局所平均パターンベク
トル更新操作が収束する毎に局所平均操作適用半径の値
を順次増加して更新操作を反復することにより局所平均
パターンベクトル集合をさらに収束させていき、当該パ
ターン集合の階層的な分類を実現する。
階層的分類収束判定処理部５は、階層的分類の収束判定
を行い、部分集合の総数、すなわちクラスター数ｍが１
つまたは所定の数に等しい場合に分類を終了する。一
方、ｍが１つまたは所定の数より大きい場合は、更に階
層的な分類を続行するために、局所平均操作適用半径算
出処理部２で該局所平均操作適用半径の値θを増加させ
てから、処理部３および４における局所平均パターンベ
クトルの更新処理および代表パターンベクトルの生成処
理を反復する。このように、前記局所平均パターンベク
トル更新操作が収束する毎に局所平均操作適用半径の値
を順次増加して更新操作を反復することにより局所平均
パターンベクトル集合をさらに収束させていき、当該パ
ターン集合の階層的な分類を実現する。
【００３４】図２〜図７は、２次元ベクトル空間（ｒ＝
２）でのパターン集合を例とした場合の本実施形態の動
作を説明するための図である。２次元ベクトル空間の例
は、例えば植物の群生や村落内の家屋の分布を幾つかの
クラスターに分けるような場合が考えられる。
２）でのパターン集合を例とした場合の本実施形態の動
作を説明するための図である。２次元ベクトル空間の例
は、例えば植物の群生や村落内の家屋の分布を幾つかの
クラスターに分けるような場合が考えられる。
【００３５】図２〜図７では、２つの半円弧状の分布が
相互に入り組んだようなパターン集合体に本発明を適用
している。図２に原パターン集合（各パターンベクトル
の位置を○および△で記す）を示し、図３〜図６には、
階層的分類の非収束判定に基づき局所平均操作適用半径
の値θを回数４，１０，１６，２３だけ順次増加してい
った際に得られた代表パターンベクトル集合（各代表パ
ターンベクトルの位置を●、原パターンベクトルの位置
を・で記す）を示す。図７は、図６で得られた２つの部
分集合について、一方の部分集合に属する原パターンベ
クトルをＡ、他方の部分集合に属する原パターンベクト
ルをＢで記したものであり、２つの半円弧状の分布が正
しく２つの部分集合に分類されていることがわかる。特
に、＊はそれぞれの部分集合の重心位置を示しており、
図６で得られた２つの代表パターンベクトルの位置とほ
ぼ一致していることから、本実施形態の動作が所望の分
類結果を与えるように安定な動作を実現していることが
わかる。
相互に入り組んだようなパターン集合体に本発明を適用
している。図２に原パターン集合（各パターンベクトル
の位置を○および△で記す）を示し、図３〜図６には、
階層的分類の非収束判定に基づき局所平均操作適用半径
の値θを回数４，１０，１６，２３だけ順次増加してい
った際に得られた代表パターンベクトル集合（各代表パ
ターンベクトルの位置を●、原パターンベクトルの位置
を・で記す）を示す。図７は、図６で得られた２つの部
分集合について、一方の部分集合に属する原パターンベ
クトルをＡ、他方の部分集合に属する原パターンベクト
ルをＢで記したものであり、２つの半円弧状の分布が正
しく２つの部分集合に分類されていることがわかる。特
に、＊はそれぞれの部分集合の重心位置を示しており、
図６で得られた２つの代表パターンベクトルの位置とほ
ぼ一致していることから、本実施形態の動作が所望の分
類結果を与えるように安定な動作を実現していることが
わかる。
【００３６】以上の説明からわかるように、本実施形態
によれば、パターン集合の各パターンベクトルを任意次
元ベクトル空間の１点で表現しておき、パターンベクト
ル相互間の距離の分布に基づき局所平均操作適用半径の
初期値を算出し、各パターンベクトルに対応させて前記
局所平均操作適用半径を用いた局所平均操作を反復して
収束させて相互に区別できなくなったパターンベクトル
の集まりを部分集合として出力するとともに、部分集合
の総数が１つまたは所定の数になるまで前記局所平均操
作適用半径の値を順次増加しながら局所平均への収束操
作を反復することにより安定かつ高精度な階層的分類を
実現することができる。
によれば、パターン集合の各パターンベクトルを任意次
元ベクトル空間の１点で表現しておき、パターンベクト
ル相互間の距離の分布に基づき局所平均操作適用半径の
初期値を算出し、各パターンベクトルに対応させて前記
局所平均操作適用半径を用いた局所平均操作を反復して
収束させて相互に区別できなくなったパターンベクトル
の集まりを部分集合として出力するとともに、部分集合
の総数が１つまたは所定の数になるまで前記局所平均操
作適用半径の値を順次増加しながら局所平均への収束操
作を反復することにより安定かつ高精度な階層的分類を
実現することができる。
【００３７】また、図２〜図７では２次元ベクトル空間
での具体例を示したが、本発明は、可視化できないため
に取り扱いが困難な、４次元以上のベクトル空間でのパ
ターン集合の分類も容易に扱えることが明らかであり、
汎用的なクラスター分析の技術として有用である。つま
り、薬物や毒物の分類、企業の分類、文献の分類、医学
における症候群の分類、工業製品の分類等のクラスター
分析においては、分類対象となる集団に属する各個体は
一般に多特性のデータを用いて多次元ベクトル空間内の
１点（１パターン）として表現されるため、本発明によ
る高次元ベクトル空間でのクラスター分析がそのまま適
用できる。
での具体例を示したが、本発明は、可視化できないため
に取り扱いが困難な、４次元以上のベクトル空間でのパ
ターン集合の分類も容易に扱えることが明らかであり、
汎用的なクラスター分析の技術として有用である。つま
り、薬物や毒物の分類、企業の分類、文献の分類、医学
における症候群の分類、工業製品の分類等のクラスター
分析においては、分類対象となる集団に属する各個体は
一般に多特性のデータを用いて多次元ベクトル空間内の
１点（１パターン）として表現されるため、本発明によ
る高次元ベクトル空間でのクラスター分析がそのまま適
用できる。
【００３８】
【発明の効果】以上説明したように、本発明によれば、
分類すべきパターン集合を任意次元ベクトル空間内のパ
ターンベクトル集合として表現しておき、各パターンベ
クトルに対応させて局所平均への更新操作を反復するこ
とによる収束作用を施して階層的なクラスター生成を実
現する汎用的なクラスター分析を実現している。特に局
所平均操作の適用半径がパターンベクトル相互間の距離
の分布により自動的に算出されるため試行錯誤による処
理量の発散がなく、与えられたパターンベクトル集合の
分布形状に応じた最適な階層的分類が処理手順の曖昧さ
を全く伴わずに安定に実現できる。このため、分類対象
となる集団に属する各個体を多特性のデータを用いて多
次元ベクトル空間内の１点（１パターン）として表現し
てからパターンベクトル集合に対する分類を行う、極め
て広い分野でのクラスター分析の対象、例えば、薬物や
毒物の分類、企業の分類、文献の分類、医学における症
候群の分類、工業製品の分類、等に適用される場合に利
点が極めて大きい。
分類すべきパターン集合を任意次元ベクトル空間内のパ
ターンベクトル集合として表現しておき、各パターンベ
クトルに対応させて局所平均への更新操作を反復するこ
とによる収束作用を施して階層的なクラスター生成を実
現する汎用的なクラスター分析を実現している。特に局
所平均操作の適用半径がパターンベクトル相互間の距離
の分布により自動的に算出されるため試行錯誤による処
理量の発散がなく、与えられたパターンベクトル集合の
分布形状に応じた最適な階層的分類が処理手順の曖昧さ
を全く伴わずに安定に実現できる。このため、分類対象
となる集団に属する各個体を多特性のデータを用いて多
次元ベクトル空間内の１点（１パターン）として表現し
てからパターンベクトル集合に対する分類を行う、極め
て広い分野でのクラスター分析の対象、例えば、薬物や
毒物の分類、企業の分類、文献の分類、医学における症
候群の分類、工業製品の分類、等に適用される場合に利
点が極めて大きい。
【図１】本発明の一実施形態に係るパターン集合分類方
法を実施するパターン集合分類装置の構成を示すブロッ
ク図である。
法を実施するパターン集合分類装置の構成を示すブロッ
ク図である。
【図２】図１の実施形態の動作を説明するための２次元
ベクトル空間（ｒ＝２）での原パターン集合の例を示す
図である。
ベクトル空間（ｒ＝２）での原パターン集合の例を示す
図である。
【図３】図２に示すパターン集合について局所平均操作
適用半径を４回まで増加した際に得られた代表パターン
ベクトル集合の例を示す図である。
適用半径を４回まで増加した際に得られた代表パターン
ベクトル集合の例を示す図である。
【図４】図２に示すパターン集合について局所平均操作
適用半径を１０回まで増加した際に得られた代表パター
ンベクトル集合の例を示す図である。
適用半径を１０回まで増加した際に得られた代表パター
ンベクトル集合の例を示す図である。
【図５】図２に示すパターン集合について局所平均操作
適用半径を１６回まで増加した際に得られた代表パター
ンベクトル集合の例を示す図である。
適用半径を１６回まで増加した際に得られた代表パター
ンベクトル集合の例を示す図である。
【図６】図２に示すパターン集合について局所平均操作
適用半径を２３回まで増加した際に得られた代表パター
ンベクトル集合の例を示す図である。
適用半径を２３回まで増加した際に得られた代表パター
ンベクトル集合の例を示す図である。
【図７】図６で得られた２つの部分集合を示す図であ
る。
る。
１ パターンベクトル集合格納部 ２ 局所平均操作適用半径算出処理部 ３ 局所平均パターンベクトル更新処理部 ４ 代表パターンベクトル生成処理部 ５ 階層的分類収束判定処理部
Claims (3)
- 【請求項１】 各パターンが任意次元空間のベクトルで
表現されるパターン集合を階層的に類似パターン同士の
部分集合に分類するパターン集合分類方法であって、 分類すべきパターンベクトル集合におけるパターンベク
トル相互のベクトル間距離の分布に基づき局所平均操作
適用半径を算出し、 局所平均パターンベクトル集合として初期状態が原パタ
ーンベクトル集合と同一であり、かつ各局所平均パター
ンベクトルがその初期値である原パターンベクトルにそ
れぞれ１対１に対応するようなパターンベクトル集合を
用意し、 局所平均パターンベクトル集合内の各局所平均パターン
ベクトルを前記局所平均操作適用半径で制限される範囲
内に含まれる原パターンベクトル群の重み付き局所平均
操作により算出したパターンベクトルにそれぞれ更新す
る局所平均パターンベクトル更新操作を反復し、 局所平均パターンベクトルの更新操作が収束した時点で
局所平均パターンベクトル集合から相互に区別できなく
なったものを集約して複数の代表パターンベクトルを生
成し、各代表パターンベクトルが代表する局所平均パタ
ーンベクトル群について１対１に対応する原パターンベ
クトル群をそれぞれ部分集合として原パターン集合の分
類を行い、 前記局所平均パターンベクトル更新操作が収束する毎に
局所平均操作適用半径の値を増加して更新操作を反復す
ることにより局所平均パターンベクトル集合を更に収束
させていき、当該パターン集合を部分集合の総数が漸減
して最終的に１つまたは所定の数になるまで階層的に分
類することを特徴とするパターン集合分類方法。 - 【請求項２】 各パターンが任意次元空間のベクトルで
表現されるパターン集合を階層的に類似パターン同士の
部分集合に分類するパターン集合分類装置であって、 原パターン集合を格納するパターンベクトル集合格納部
と、 分類対象となるパターンベクトル相互のベクトル間距離
の分布に基づき局所平均操作適用半径の初期値を算出す
るとともに階層的に分類を行うために該局所平均操作適
用半径の値を順次増加する局所平均操作適用半径算出処
理部と、 局所平均パターンベクトル集合として初期状態が原パタ
ーンベクトル集合と同一であり、かつ各局所平均パター
ンベクトルがその初期値である原パターンベクトルにそ
れぞれ１対１に対応するようなベクトル集合を用意して
おき、各局所平均パターンベクトルを前記局所平均操作
適用半径で制限される範囲内に含まれる原パターンベク
トル群の重み付き局所平均操作により算出したパターン
ベクトルに更新する局所平均パターンベクトル更新操作
を反復する局所平均パターンベクトル更新処理部と、 局所平均パターンベクトルの更新操作が収束した時点で
局所平均パターンベクトル集合から相互に区別できなく
なったものを集約して複数の代表パターンベクトルを生
成する代表パターンベクトル生成処理部と、 各代表パターンベクトルが代表する局所平均パターンベ
クトル群について１対１に対応する原パターンベクトル
群をそれぞれ部分集合として当該パターン集合の階層的
分類の途中結果として出力するとともに、該部分集合の
総数が漸減して最終的に１つまたは所定の数になるまで
階層的に分類するために、前記局所平均パターンベクト
ル更新操作が収束する毎に局所平均操作適用半径の値を
順次増加するように局所平均操作適用半径算出処理部へ
の指示を行う階層的分類収束判定処理部とを有すること
を特徴とするパターン集合分類装置。 - 【請求項３】 各パターンが任意次元空間のベクトルで
表現されるパターン集合を階層的に類似パターン同士の
部分集合に分類するパターン集合分類プログラムを記録
した記録媒体であって、 分類すべきパターンベクトル集合におけるパターンベク
トル相互のベクトル間距離の分布に基づき局所平均操作
適用半径を算出し、 局所平均パターンベクトル集合として初期状態が原パタ
ーンベクトル集合と同一であり、かつ各局所平均パター
ンベクトルがその初期値である原パターンベクトルにそ
れぞれ１対１に対応するようなパターンベクトル集合を
用意し、 局所平均パターンベクトル集合内の各局所平均パターン
ベクトルを前記局所平均操作適用半径で制限される範囲
内に含まれる原パターンベクトル群の重み付き局所平均
操作により算出したパターンベクトルにそれぞれ更新す
る局所平均パターンベクトル更新操作を反復し、 局所平均パターンベクトルの更新操作が収束した時点で
局所平均パターンベクトル集合から相互に区別できなく
なったものを集約して複数の代表パターンベクトルを生
成し、各代表パターンベクトルが代表する局所平均パタ
ーンベクトル群について１対１に対応する原パターンベ
クトル群をそれぞれ部分集合として原パターン集合の分
類を行い、 前記局所平均パターンベクトル更新操作が収束する毎に
局所平均操作適用半径の値を増加して更新操作を反復す
ることにより局所平均パターンベクトル集合を更に収束
させていき、当該パターン集合を部分集合の総数が漸減
して最終的に１つまたは所定の数になるまで階層的に分
類することを特徴とするパターン集合分類プログラムを
記録した記録媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP10014473A JPH11213151A (ja) | 1998-01-27 | 1998-01-27 | パターン集合分類方法および装置とパターン集合分類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 |
|---|---|---|---|
| JP10014473A JPH11213151A (ja) | 1998-01-27 | 1998-01-27 | パターン集合分類方法および装置とパターン集合分類プログラムを記録した記録媒体 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH11213151A true JPH11213151A (ja) | 1999-08-06 |
Family
ID=11862041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP10014473A Pending JPH11213151A (ja) | 1998-01-27 | 1998-01-27 | パターン集合分類方法および装置とパターン集合分類プログラムを記録した記録媒体 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH11213151A (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109409964A (zh) * | 2018-11-27 | 2019-03-01 | 口碑(上海)信息技术有限公司 | 优质品牌的识别方法及装置 |
| JP2019169148A (ja) * | 2018-03-23 | 2019-10-03 | サービスナウ， インコーポレイテッドＳｅｒｖｉｃｅＮｏｗ， Ｉｎｃ． | 自動的な意図のマイニング、分類、及び配置のための方法及びシステム |
| US11455357B2 (en) | 2019-11-06 | 2022-09-27 | Servicenow, Inc. | Data processing systems and methods |
| US11468238B2 (en) | 2019-11-06 | 2022-10-11 | ServiceNow Inc. | Data processing systems and methods |
| US11481417B2 (en) | 2019-11-06 | 2022-10-25 | Servicenow, Inc. | Generation and utilization of vector indexes for data processing systems and methods |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08194821A (ja) * | 1995-01-17 | 1996-07-30 | Nippon Telegr & Teleph Corp <Ntt> | パターン集合分類方法およびパターン集合分類装置 |
-
1998
- 1998-01-27 JP JP10014473A patent/JPH11213151A/ja active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08194821A (ja) * | 1995-01-17 | 1996-07-30 | Nippon Telegr & Teleph Corp <Ntt> | パターン集合分類方法およびパターン集合分類装置 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019169148A (ja) * | 2018-03-23 | 2019-10-03 | サービスナウ， インコーポレイテッドＳｅｒｖｉｃｅＮｏｗ， Ｉｎｃ． | 自動的な意図のマイニング、分類、及び配置のための方法及びシステム |
| JP2021152903A (ja) * | 2018-03-23 | 2021-09-30 | サービスナウ, インコーポレイテッドServiceNow, Inc. | 自動的な意図のマイニング、分類、及び配置のための方法及びシステム |
| US11507750B2 (en) | 2018-03-23 | 2022-11-22 | Servicenow, Inc. | Method and system for automated intent mining, classification and disposition |
| CN109409964A (zh) * | 2018-11-27 | 2019-03-01 | 口碑(上海)信息技术有限公司 | 优质品牌的识别方法及装置 |
| US11455357B2 (en) | 2019-11-06 | 2022-09-27 | Servicenow, Inc. | Data processing systems and methods |
| US11468238B2 (en) | 2019-11-06 | 2022-10-11 | ServiceNow Inc. | Data processing systems and methods |
| US11481417B2 (en) | 2019-11-06 | 2022-10-25 | Servicenow, Inc. | Generation and utilization of vector indexes for data processing systems and methods |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lyzinski et al. | Community detection and classification in hierarchical stochastic blockmodels | |
| JP6989387B2 (ja) | 古典的なプロセッサで量子類似計算をエミュレートするためのｑｕａｎｔｏｎ表現 | |
| Okabe et al. | Voronoi-based estimation of distribution algorithm for multi-objective optimization | |
| Alfred | Summarizing relational data using semi-supervised genetic algorithm-based clustering techniques | |
| CN107436969B (zh) | 一种基于遗传算法的三维多目标定位方法 | |
| CN112801281A (zh) | 基于量子化生成模型和神经网络的对抗生成网络构建方法 | |
| Ganguly et al. | Evolving cellular automata as pattern classifier | |
| Metiaf et al. | Searching with direction awareness: Multi-objective genetic algorithm based on angle quantization and crowding distance MOGA-AQCD | |
| Pestunov et al. | Ensemble of clustering algorithms for large datasets | |
| JPH11213151A (ja) | パターン集合分類方法および装置とパターン集合分類プログラムを記録した記録媒体 | |
| Ma et al. | Solving oscillation problem in post-training quantization through a theoretical perspective | |
| Sotnikov et al. | Emergence of classical magnetic order from anderson towers: Quantum darwinism in action | |
| CN114186518A (zh) | 一种集成电路良率估算方法及存储器 | |
| US20210125095A1 (en) | Analysis method and analysis system | |
| Chen et al. | On balancing neighborhood and global replacement strategies in MOEA/D | |
| CN111507506A (zh) | 一种基于共识嵌入的复杂网络社区发现方法 | |
| Banerjee et al. | Model-based cluster analysis | |
| CN111651501B (zh) | 一种面向地理大数据的空间聚合尺度选择方法 | |
| Ko et al. | Parameter Estimation of Chaotic Dynamical Systems Using HEQPSO. | |
| Hewlett et al. | Merge of evolutionary computation with gradient based method for optimization problems | |
| Chen et al. | Nearest neighbor synthesis of CNOT circuits on general quantum architectures | |
| Kumar et al. | A hybrid approach for data clustering using expectation-maximization and parameter adaptive harmony search algorithm | |
| Acampora et al. | On the Effect of Quantum Noise in Quantum Genetic Algorithms | |
| JPH08194821A (ja) | パターン集合分類方法およびパターン集合分類装置 | |
| Feng et al. | Chebyshev polynomial broad learning system |