KR101937494B1 - 알고리즘 저장장치를 포함하는 클러스터링 장치 - Google Patents

알고리즘 저장장치를 포함하는 클러스터링 장치 Download PDF

Info

Publication number
KR101937494B1
KR101937494B1 KR1020130150754A KR20130150754A KR101937494B1 KR 101937494 B1 KR101937494 B1 KR 101937494B1 KR 1020130150754 A KR1020130150754 A KR 1020130150754A KR 20130150754 A KR20130150754 A KR 20130150754A KR 101937494 B1 KR101937494 B1 KR 101937494B1
Authority
KR
South Korea
Prior art keywords
equation
algorithm
data
delete delete
clustering
Prior art date
Application number
KR1020130150754A
Other languages
English (en)
Other versions
KR20150065433A (ko
Inventor
김성열
트란틴
Original Assignee
건국대학교 산학협력단
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 건국대학교 산학협력단 filed Critical 건국대학교 산학협력단
Priority to KR1020130150754A priority Critical patent/KR101937494B1/ko
Publication of KR20150065433A publication Critical patent/KR20150065433A/ko
Application granted granted Critical
Publication of KR101937494B1 publication Critical patent/KR101937494B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Complex Calculations (AREA)

Abstract

본 발명의 실시예에 따른 알고리즘 저장 장치는 케이 민 알고리즘을 저장하는 알고리즘 저장부, 데이터를 상수로 저장하는 상수 저장부, 및 상수를 포함하는 수학식, 코사인 방정식 및 목적 함수를 저장하는 수학식 저장부를 포함한다.

Description

알고리즘 저장장치를 포함하는 클러스터링 장치{CLUSTERING DEVICE INCLUDING ALGORITHM DEVICE}
본 발명은 알고리즘 저장장치를 포함하는 클러스터링 장치에 관한 것 이다.
최근 데이터 마이닝(Data mining)은 생물, 지질, 화학 분야 등 다양한 분야에서 연구되고 있다. 수집된 데이터는 큰 크기 및 많은 차원(dimensions)을 가지고 있기 때문에, 데이터 클러스터링(data clustering)하는데는 오랜 시간이 걸린다.
따라서 최근에는 빠른 시간에 데이터 클러스터링(data clustering)하는 장치 및 방법이 요구되고 있는 실정이다.
선행문헌1: 한국 공개특허: 제10-2013-0123962호(발명의 명칭: 클러스터링 기법을 이용한 차량 이상상태 모니터링 장치 및 그 방법)
본 발명이 해결하고자 하는 과제는 빠른 시간에 데이터 클러스터링 알고리즘하는 장치를 제공하는 것이다.
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
본 발명의 실시예에 따른 클러스터링 장치는 알고리즘 저장 장치; 및 상기 알고리즘 저장 장치에 저장된 케이 민 알고리즘, 수학식, 코사인 방정식 또는 목적 함수에 기초하여 데이터를 클러스터링 하는 제어부를 포함하고, 상기 알고리즘 저장 장치는 상기 케이 민 알고리즘을 저장하는 알고리즘 저장부; 데이터를 상수로 저장하는 상수 저장부; 및 상기 상수를 포함하는 수학식, 상기 코사인 방정식 및 상기 목적 함수를 저장하는 수학식 저장부를 포함하고, 상기 수학식은 수식 8을 포함하고, 상기 수식 8은
Figure 112018090191328-pat00076
이며, 여기서, Φ1, λ1와 Φ2, λ2는 지리적 위도와 두 점 x와 M의 경도를 나타내고, 상기 목적 함수는, 케이 민 알고리즘에서 센터로이드의 초기 랜덤 셋으로부터의 시작으로 로컬 클러스터의 최소를 발견하는 것을 목표로 하는 것일 수 있다.
상기 수학식은 수식 1 및 수식 2을 포함하고
상기 수식 1은
Figure 112018090191328-pat00077
, 여기서, Y는 원에서의 분산이고, Y의 셋(SET)은 Y={y1, y2,...,yn}일 때
Figure 112018090191328-pat00078
는 센터로이드이며, 상기 수식 2는
Figure 112018090191328-pat00079
, 여기서, xi가
Figure 112018090191328-pat00080
에서 X의 셋(SET)은 X={x1, x2,...,xn}이고, E는 유클리드 거리일 수 있다.
상기 수학식은 수식 3을 포함하고 상기 수식 3은
Figure 112018090191328-pat00081
,
Figure 112018090191328-pat00082
,
Figure 112018090191328-pat00083
는 센터로이드일 수 있다.
상기 수식 4는
Figure 112018090191328-pat00084
이고, 주어진 데이터 지점들 셋이
Figure 112018090191328-pat00085
이고, 케이 민 알고리즘이 데이터
Figure 112018090191328-pat00086
의 케이 클러스터를 만드는 것을 목표로 하고,
Figure 112018090191328-pat00087
의 센터로이드가
Figure 112018090191328-pat00088
로 표시되는 것일 수 있다.
상기 수학식은 수식 5 및 수식 6을 포함하고, 상기 수식 5는
Figure 112018090191328-pat00089
이고, 각각의 데이터 포인트 xi를 위한 클러스터 선택은 상기 수식 5를 따르며, 상기 수식 6은
Figure 112018090191328-pat00090
이고, 새로운 센터로이드의 측정은 상기 수식 6을 따르는 것이며, D는 유클리드 거리의 제곱일 수 있다.
상기 수학식은 수식 7을 포함하고 상기 수식 7은
Figure 112018090191328-pat00091
이고, D는 유클리드 거리의 제곱일 수 있다.
삭제
상기 수학식은 수식 9를 포함하고 상기 수식 9는
Figure 112013111559426-pat00021
일 수 있다.
상기 수학식은 수식 10을 포함하고, 상기 수식 10은
Figure 112018090191328-pat00092
이고, 상기 수식 9에서 r이 1을 만족하는 경우일 수 있다.
본 발명의 실시예에 따르면, 3차원 데이터를 빠르고 클러스터링 할 수 있다. 또한 본 발명의 실시예에 따르면, 구체 표면의 데이터를 분산할 수 있는 클러스터링 장치를 제공한다.
도 1은 본 발명의 실시예에 따른 데이터 클러스터링 장치에 관한 블록도이다.
도 2는 본 발명의 실시예에 따른 시간 결과를 나타낸 돈이다.
도 3 내지 도 5는 본 발명의 실시예에 따른 16클러스터를 찾기 위한 케이 민 알고리즘에 관한 것이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 및 청구범위 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
또한 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이제 본 발명의 실시 예에 따른 데이터 클러스터링 장치 및 방법에 대하여 도면을 참고로 하여 상세하게 설명한다.
도 1은 본 발명의 실시예에 따른 데이터 클러스터링 장치에 관한 블록도이다.
본 발명의 실시예에 따른 데이터 클러스터링 장치(100)는 저장부(200), 제어부(300) 및 출력부(400)을 포함한다.
저장부(200)에는 데이터를 클러스터링 하기 위한 알고리즘이 저장된다. 또한 저장부(200)에는 데이터를 클러스터링 하기 위한 프로그램이 저장될 수도 있다. 또한 저장부(200)에는 데이터 클러스터링 장치(100)를 동작시키기 위한 알고리즘 또는 프로그램이 저장될 수 도 있다.
본 발명의 실시예에 따른 저장부(200)는 케이 민 알고르즘이 저장된 알고리즘 저장부, 각 수학식, 코사인 방정식 및 목적 함수를 저장하는 수학식 저장부, 지리적 위도(the geographical latitude), 경도(longitude) 또는 각종 데이터를 상수로 저장하는 상수 저장부를 포함할 수 도 있다.
제어부(300)는 저장부(200)에 저장된 알고리즘 또는 프로그램을 이용하여 데이터 클러스터링 장치(100)를 동작시킨다. 또한 제어부(300)는 데이터 클러스터링 장치(100)의 전반적인 동작을 제어한다.
출력부(400)는 제어부(300)의 제어 결과를 출력한다. 출력부(400)가 출력 결과를 출력함에 있어서 별도의 디스플레이부(미도시)를 이용할 수도 있다.
종래의 클러스터링은 K-Means 알고리즘에 기초하여, 클러스터(cluster)를 생성하였다.
본 발명의 실시예에 따른 데이터 클러스터링 장치(100)는 구 코디네이터(sphere coordinator)로 데이터를 전송한다. 또한 클러스터링 장치(100)는 구 표면(sphere surface)과 같이 관측 분산(observations distribute)된 3-차원(3-dimensions) 데이터를 구 코디네이터에 전송함으로써, 데이터를 클러스터링 할 수 있다.
구 코디네이터(sphere coordinator)에서 관측은
Figure 112013111559426-pat00023
및
Figure 112013111559426-pat00024
의 두가지 각도로 지정된다. 또한 구 코디네이터는 데이터를 클러스터링 하기 위해 목적 함수(objective function)와 케이 민 알고리즘(K-mean algorithim)의 조합의 최적화로서 대 원 방정식(great circle distance formula)를 따른다.
본 발명의 실시예에 따른 데이터 클러스터링 장치는 원 라인(circle line)에서 포인트 분산(points distribute)의 중심을 찾을 수 있다.
본 발명의 실시예에 따른 데이터 클러스터링 장치(100)는 세 개로 지정된 포인트들의 위치의 삼차원 공간 위한 코디네이트 시스템(coordinate system)이다
세 개로 지정된 포인트는 고정된 원점(origin)에서부터 포인트(point)까지 반경 거리, 고정된 천정(zenith) 방향에서부터 측정된 극각(polar angle) 그리고 지나고 그것과 직교하는 천정(zenith)로부터 평면위에 고정된 참조 방향(reference direction)부터 측정된 기준면(reference plane)에 미치는 정사영(orthogonal projection)의 방위각(azimuth angle)일 수 있다.
대 원 거리(Great-circle distance) 또는 오어서드라믹 거리 (orthodromic distance)는 구 표면의 두 포인트를 구 표면을 따라 측정했을 때 가장 짧은 거리이다.
또한 3 차원 데이터(3-dimensions data)가 있는 동일한 지점으로 관측 유클리드 거리(Euclidean distance)가 거의 동일하다. 그래서 관찰 분산(observations distribute)는 구 표면에 있는 것 같다.
Y를 원에서의 분산(distribute on circle)이라고 하면, yi가
Figure 112018090191328-pat00025
에서 Y의 셋(SET)은 Y={y1, y2,...,yn}일 때, 센터로이드(centroid)
Figure 112018090191328-pat00093
는 아래 수식 1을 따른다.
[수식1]
Figure 112018090191328-pat00094
또한 xi가
Figure 112018090191328-pat00027
에서 X의 셋(SET)은 X={x1, x2,...,xn}일 때, 센터로이드(centroid)
Figure 112018090191328-pat00028
는 아래 수식 2, 3에 의해 정의된다. E는 유클리드 거리이다.
[수식2]
Figure 112018090191328-pat00095
[수식3]
Figure 112018090191328-pat00096
Figure 112018090191328-pat00031
자바 수학 라이브러리(Java Math Library)에서 싸인(Sine) 또는 코사인(Cosine) 함수(function)사용으로, 컴퓨터가 정확하게 결과를 얻기 위해서는 수많은 리소스(resources)를 소요하여야 한다.
종래의 케이 민 알고리즘(K-means algorithm)을 이용하는 방법은 클러스터(cluster)의 수만큼의 K를 사용하여, 클러스터의 센틀로이드(centroid) 데이터를 특성화하고, 거리 측정을 위해 유클리드 거리(Euclidean distance)를 사용한다.
주어진 데이터 지점들(Given a data points) 셋이
Figure 112013111559426-pat00032
이고, 케이 민 알고리즘은 데이터
Figure 112013111559426-pat00033
의 케이 클러스터(k-clusters of data)를 만드는 것을 목표로 하고,
Figure 112013111559426-pat00034
의 센터로이드가
Figure 112013111559426-pat00035
로 표시된다면, 수식 4의 목적함수(objective function)를 갖는다.
[수식 4]
Figure 112013111559426-pat00036
수식 4의 목적함수는 각 로컬 클러스터에서 최소화(minimized in each local cluster)된다.
이 알고리즘은 센터로이드(centroids)의 초기 랜덤 셋(initial random set)으로부터의 시작으로 로컬 클러스터(local cluster minimum)의 최소를 발견한다. 그리고 반복적으로 두 단계가 각 데이터 포인트의 클러스터를 선택하고 해당 후보자에게 새로운 센터로이드 기반(base)을 추정 반복하여 목적함수(objective function)를 개선한다.
각각의 데이터 포인트 xi를 위한 클러스터 선택은 수식 5를 따른다.
[수식 5]
Figure 112013111559426-pat00037
새로운 센터로이드의 측정은 수식 6을 따른다.
[수식 6]
Figure 112013111559426-pat00038
알고리즘의 센터로이드 단계의 측정에서는, 최적화(optimizatio) 문제가 있다. 그리고 종래의 케이 민스 알고리즘은 D를 사용한다. 여기서 D는 유클리드 거리의 제곱일 수 있다.
[수식 7]
Figure 112013111559426-pat00039
수식 7을 참조하면, 본 발명의 실시예에 따른 데이터 클러스터링 장치(100)는 구형(spherical) 데이터를 활용하여, 데이터 포인트의 차원을 제거하고, 거리 측정을 위한 빠른 코사인 방정식(fast cosine formula )을 적용할 수 있다.
데이터 클러스터링 장치(100)는
Figure 112013111559426-pat00040
,
Figure 112013111559426-pat00041
및
Figure 112013111559426-pat00042
,
Figure 112013111559426-pat00043
인 지리적 위도(the geographical latitude) 그리고 두 점 x와 M의 경도(longitude) 그리고 완전이 다른
Figure 112013111559426-pat00044
,
Figure 112013111559426-pat00045
를 아래의 수식 8 및 수식 9에 적용한다.
[수식 8]
Figure 112013111559426-pat00046
[수식 9]
Figure 112013111559426-pat00047
데이터 클러스터링 장치(100)는 위 수식들에 기초하여 거리 측정에 'r'을 제거할 수 있다. 그 결과 수식 10이 나온다
[수식 10]
Figure 112013111559426-pat00048
빠른 코사인 방정식의 조합(14x 빠름 또는 18x 빠름)으로 데이터 클러스터링 장치(100)는 거리 계산에 소비 시간을 감소할 수 있다.
본 발명의 실시예에 따른 데이터 클러스터링 장치(100)는 구형 데이터(spherical data)를 위한 케이 민 알고리즘을 사용한다.
또한 본 발명의 실시예에 따른 데이터 클러스터링 장치(100)는 위도와 경도의 이 차원으로, 삼 차원 구형 데이터(three-dimension spherical data)를 구형 코디네이터(spherical coordinator)로 전환하며 시작한다.
또한 데이터 클러스터링 장치(100)는 클러스터의 새로운 데이터 공간(cluster new data space)을 위해 케이 민스 알고리즘을 사용한다.
또한 데이터 클러스터링 장치(100)는 원 방정식(circle formula)에서 새로운 센터로이드(new centroid)를 측정하기 위해 센터로이드 포인트(centroid of point)를 사용한다.
다음은 도 2 내지 도 5를 참조하여 본 발명의 실시예에 따른 효과를 설명한다.
도 2는 본 발명의 실시예에 따른 시간 결과를 나타낸 돈이다.
도 2는 32개의 클러스터(Cluster)에서의 3D데이터를 예를 들고있다.
도 3 내지 도 5는 본 발명의 실시예에 따른 16클러스터를 찾기 위한 케이 민 알고리즘에 관한 것이다.
도 3 내지 도 5에서는 구체 표면에 244859 점이 무작위로 배포된 3D 데이터를 예를 들고 있다.
데이터 수집의 확대와 함께, 데이터가 커질수록 많은 차원을 가지고 있다. 종래에는 데이터를 줄이는 방법을 제안했다. 그러나, 본 발명의 실시예에 따른 데이터 클러스터링 장치(100)는 알고리즘 계산을 줄이기 위하여 2D로 3D의 데이터 사이즈를 줄일 수 있도록 한다.
데이터 클러스터링 장치(100)는 원 라인(Circle line)에서 포인트 분산(point distribute)의 중심을 찾는다. 그리고 데이터 클러스터링 장치(100)는 클러스터링 알고리즘의 거리 측정을 위해 대 원 거리(Great circle distance calculation)를 계산함 있어 빠른 코사인 방정식(fast cosine formula)을 적용한다.
이상에서 본 발명의 바람직한 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
100: 데이터 클러스터링 장치 200: 저장부
300: 제어부 400: 출력부

Claims (18)

  1. 삭제
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
  9. 삭제
  10. 알고리즘 저장 장치; 및
    상기 알고리즘 저장 장치에 저장된 케이 민 알고리즘, 수학식, 코사인 방정식 또는 목적 함수에 기초하여 데이터를 클러스터링 하는 제어부를 포함하고
    상기 알고리즘 저장 장치는
    상기 케이 민 알고리즘을 저장하는 알고리즘 저장부;
    데이터를 상수로 저장하는 상수 저장부; 및
    상기 상수를 포함하는 수학식, 상기 코사인 방정식 및 상기 목적 함수를 저장하는 수학식 저장부를 포함하고,
    상기 수학식은 수식 8을 포함하고,
    상기 수식 8은
    Figure 112018090191328-pat00097
    이며,
    여기서, Φ1, λ1와 Φ2, λ2는 지리적 위도와 두 점 x와 M의 경도를 나타내고,
    상기 목적 함수는, 케이 민 알고리즘에서 센터로이드의 초기 랜덤 셋으로부터의 시작으로 로컬 클러스터의 최소를 발견하는 것을 목표로 하는 것인 클러스터링 장치.
  11. 제10항에 있어서,
    상기 수학식은 수식 1 및 수식 2을 포함하고
    상기 수식 1은
    Figure 112018090191328-pat00098
    , 여기서, Y는 원에서의 분산이고, Y의 셋(SET)은 Y={y1, y2,...,yn}일 때
    Figure 112018090191328-pat00099
    는 센터로이드이며,
    상기 수식 2는
    Figure 112018090191328-pat00100
    , 여기서, xi가
    Figure 112018090191328-pat00101
    에서 X의 셋(SET)은 X={x1, x2,...,xn}이고, E는 유클리드 거리인 클러스터링 장치.
  12. 제11항에 있어서,
    상기 수학식은 수식 3을 포함하고
    상기 수식 3은
    Figure 112018090191328-pat00102
    ,
    Figure 112018090191328-pat00063
    ,
    Figure 112018090191328-pat00103
    는 센터로이드인 클러스터링 장치.
  13. 제10항에 있어서,
    상기 수학식은 수식 4를 포함하고
    상기 수식 4는
    Figure 112018090191328-pat00064
    이고,
    주어진 데이터 지점들 셋이
    Figure 112018090191328-pat00104
    이고, 케이 민 알고리즘이 데이터
    Figure 112018090191328-pat00105
    의 케이 클러스터를 만드는 것을 목표로 하고,
    Figure 112018090191328-pat00106
    의 센터로이드가
    Figure 112018090191328-pat00107
    로 표시되는 것인 클러스터링 장치.
  14. 제10항에 있어서,
    상기 수학식은 수식 5 및 수식 6을 포함하고,
    상기 수식 5는
    Figure 112018090191328-pat00065
    이고, 각각의 데이터 포인트 xi를 위한 클러스터 선택은 상기 수식 5를 따르며,
    상기 수식 6은
    Figure 112018090191328-pat00066
    이고, 새로운 센터로이드의 측정은 상기 수식 6을 따르는 것이며, D는 유클리드 거리의 제곱인 클러스터링 장치.
  15. 제10항에 있어서,
    상기 수학식은 수식 7을 포함하고
    상기 수식 7은
    Figure 112018090191328-pat00067
    이고, D는 유클리드 거리의 제곱인 클러스터링 장치.
  16. 삭제
  17. 제10항에 있어서,
    상기 수학식은 수식 9를 포함하고
    상기 수식 9는
    Figure 112013111559426-pat00069
    인 클러스터링 장치.
  18. 제17항에 있어서,
    상기 수학식은 수식 10을 포함하고,
    상기 수식 10은
    Figure 112018090191328-pat00070
    이고, 상기 수식 9에서 r이 1을 만족하는 경우인 클러스터링 장치.
KR1020130150754A 2013-12-05 2013-12-05 알고리즘 저장장치를 포함하는 클러스터링 장치 KR101937494B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130150754A KR101937494B1 (ko) 2013-12-05 2013-12-05 알고리즘 저장장치를 포함하는 클러스터링 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130150754A KR101937494B1 (ko) 2013-12-05 2013-12-05 알고리즘 저장장치를 포함하는 클러스터링 장치

Publications (2)

Publication Number Publication Date
KR20150065433A KR20150065433A (ko) 2015-06-15
KR101937494B1 true KR101937494B1 (ko) 2019-01-10

Family

ID=53504349

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130150754A KR101937494B1 (ko) 2013-12-05 2013-12-05 알고리즘 저장장치를 포함하는 클러스터링 장치

Country Status (1)

Country Link
KR (1) KR101937494B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101871871B1 (ko) 2016-12-14 2018-06-28 가천대학교 산학협력단 G-optics를 이용한 데이터 클러스터링 장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013218636A (ja) 2012-04-12 2013-10-24 Nippon Telegr & Teleph Corp <Ntt> クラスタリング処理装置、クラスタリング処理方法、及びプログラム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100124532A (ko) * 2009-05-19 2010-11-29 삼성전자주식회사 데이터 처리 장치 및 방법
KR101113006B1 (ko) * 2010-02-22 2012-02-24 숭실대학교산학협력단 클러스터 간 상호정보를 이용한 클러스터링 장치 및 방법
JP2012113625A (ja) * 2010-11-26 2012-06-14 Sony Corp 情報処置装置、情報処置方法およびプログラム
KR101700340B1 (ko) * 2012-04-06 2017-01-26 에스케이플래닛 주식회사 대용량 데이터의 클러스터 결과 분석 시스템 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013218636A (ja) 2012-04-12 2013-10-24 Nippon Telegr & Teleph Corp <Ntt> クラスタリング処理装置、クラスタリング処理方法、及びプログラム

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Anil K. Jain, Data clustering: 50 years beyond K-means, Pattern Recognition Letters 31, pp.651-666, (2010.)*
Mao J., A. Jain, A self-organizing network for hyper-ellipsoidal clustering (HEC), IEEE Trans. Neural Networks 7 Jan., pp.16-29. 1996.
T. Tran, Method for Clustering of Data distribution on a Sphere Surface, 건국대학교 석사학위 논문, 2015.
Z. Huang, Extensions to the k-Means Algorithm for Clustering Large Data Sets with Categorical Values, Data Mining and Knowledge Discovery 2, pp.283-304, 1998.

Also Published As

Publication number Publication date
KR20150065433A (ko) 2015-06-15

Similar Documents

Publication Publication Date Title
JP6785768B2 (ja) 地磁気に基づいてモバイル端末の測位を行う方法及び装置
US11354870B2 (en) Accurate positioning of augmented reality content
KR102041449B1 (ko) 사용자의 위치를 획득하는 방법 및 장치
CN107436148B (zh) 一种基于多地图的机器人导航方法及装置
US9154919B2 (en) Localization systems and methods
CN106156138B (zh) 兴趣点的空间索引的建立、周边搜索方法和装置
EP2712488B1 (en) Prediction of indoor level and location using a three stage process
US10386497B2 (en) Automated localization for GNSS device
US10057725B2 (en) Sensor-based geolocation of a user device
Zhang et al. Locale: Collaborative localization estimation for sparse mobile sensor networks
Symington et al. Encounter based sensor tracking
US20160298969A1 (en) Graceful sensor domain reliance transition for indoor navigation
JP2011179946A (ja) 位置推定方法および位置推定システム
KR102029450B1 (ko) 격자화된 지도를 이용하는 사용자 위치 정보를 제공하는 방법 및 시스템
EP3184963A1 (en) Apparatus and method for magnetic field map generation for indoor localization
KR101937494B1 (ko) 알고리즘 저장장치를 포함하는 클러스터링 장치
US9864042B2 (en) Optimizing storage and usage of angle-of-arrival heatmaps
US10694459B2 (en) Positioning access points selection
WO2023229711A1 (en) Collecting telemetry data for 3d map updates
Kovalev Indoor positioning of mobile devices by combined Wi-Fi and GPS signals
JP5813390B2 (ja) 情報処理システム、情報処理装置、情報処理プログラムおよび情報処理方法
Shioda et al. Cooperative localization revisited: Error bound, scaling, and convergence
RU2013131386A (ru) Способ определения вектора состояния пассивного космического объекта
CN102043818A (zh) 基于球面坐标的地理信息系统
Kanchi et al. An efficient algorithm for finding large localizable regions in wireless sensor networks

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right