RU2014130519A - Способ автоматической кластеризации объектов - Google Patents
Способ автоматической кластеризации объектов Download PDFInfo
- Publication number
- RU2014130519A RU2014130519A RU2014130519A RU2014130519A RU2014130519A RU 2014130519 A RU2014130519 A RU 2014130519A RU 2014130519 A RU2014130519 A RU 2014130519A RU 2014130519 A RU2014130519 A RU 2014130519A RU 2014130519 A RU2014130519 A RU 2014130519A
- Authority
- RU
- Russia
- Prior art keywords
- cluster
- coordinate
- model
- classified
- general sample
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/06—Simulation on general purpose computers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Automation & Control Theory (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Complex Calculations (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Способ автоматической кластеризации объектов, сводящийся к формированию из исходного множества классифицируемых объектов выборок в виде начальных кластеров, отличающийся тем, что исходное множество формируется путем идентификации каждого классифицируемого объекта его параметром, задающим координату классифицируемого объекта в исходном множестве, и рассматривается как выборка обучения, которую формируют по показательному закону распределения, а данные о кластерах, полученные на этапе обучения, заносятся в соответствующие элементы блока памяти, которые используются при дальнейшем последовательном накоплении в них измерительной информации, на этапе обучения определяют также модель кластера Kс количеством элементов N, удовлетворяющую минимуму риска R(α) формирования модели кластера для коэффициента регуляризации α, которая определяется центром множества объектов кластерагде z- координата классифицируемого объекта кластера K, полученная на этапе обучения,для каждого кластера Kс радиусом rзадают вероятность допустимого отклонения b<<rклассифицируемого объекта по его параметру в виде координаты z′ из генеральной выборки от модели М(α) кластера Kи определяют верхний предел устойчивости кластера при введении в него объекта генеральной выборки с координатой z′, какна этапе последовательной классификации измеряют координату z′ классифицируемого объекта в исходном множестве, определяют отклонение Δмодели кластера Kс учетом нового объекта с координатой z′ из генеральной выборки от модели М(α), каки если при коэффициенте регуляризации α=0 Δ≤b, то объект генеральной выборки с координатой z′ включается в кластер K, а если при α≠0
Claims (1)
- Способ автоматической кластеризации объектов, сводящийся к формированию из исходного множества классифицируемых объектов выборок в виде начальных кластеров, отличающийся тем, что исходное множество формируется путем идентификации каждого классифицируемого объекта его параметром, задающим координату классифицируемого объекта в исходном множестве, и рассматривается как выборка обучения, которую формируют по показательному закону распределения, а данные о кластерах, полученные на этапе обучения, заносятся в соответствующие элементы блока памяти, которые используются при дальнейшем последовательном накоплении в них измерительной информации, на этапе обучения определяют также модель кластера Ki с количеством элементов Ni, удовлетворяющую минимуму риска RMi(α) формирования модели кластера для коэффициента регуляризации α, которая определяется центром множества объектов кластерагде zобучi - координата классифицируемого объекта кластера Ki, полученная на этапе обучения,для каждого кластера Ki с радиусом ri задают вероятность допустимого отклонения b<<ri классифицируемого объекта по его параметру в виде координаты z′ из генеральной выборки от модели Мобучi(α) кластера Ki, и определяют верхний предел устойчивости кластера при введении в него объекта генеральной выборки с координатой z′, какна этапе последовательной классификации измеряют координату z′ классифицируемого объекта в исходном множестве, определяют отклонение ΔMi модели кластера Ki с учетом нового объекта с координатой z′ из генеральной выборки от модели Мобучi(α), каки если при коэффициенте регуляризации α=0 ΔM≤b, то объект генеральной выборки с координатой z′ включается в кластер Ki, а если при α≠0 ΔMi>b, то объект генеральной выборки с координатой z′ анализируется на предмет принадлежности к соседним кластерам, для чего по выражению для P(|z′-Мобучi(α)|<b) определяют коэффициент регуляризации αi для соседних сравниваемых кластеров Ki, чтобы он обеспечивал требуемые значения вероятности P(|z′-Мобучi(α)|<b) при заданных значениях риска Rобучi и отклонения bсравнивают коэффициенты регуляризации для данного кластеров Ki и включают объект генеральной выборки с координатой z′ в кластер Ki, для которого риск RMi(αi0)=Rобучi при максимальном коэффициенте регуляризации αi0, а сама регуляризованная координата объекта кластера Ki определяется как
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2014130519/08A RU2586025C2 (ru) | 2014-07-23 | 2014-07-23 | Способ автоматической кластеризации объектов |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2014130519/08A RU2586025C2 (ru) | 2014-07-23 | 2014-07-23 | Способ автоматической кластеризации объектов |
Publications (2)
Publication Number | Publication Date |
---|---|
RU2014130519A true RU2014130519A (ru) | 2016-02-10 |
RU2586025C2 RU2586025C2 (ru) | 2016-06-10 |
Family
ID=55313215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2014130519/08A RU2586025C2 (ru) | 2014-07-23 | 2014-07-23 | Способ автоматической кластеризации объектов |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2586025C2 (ru) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113709092A (zh) * | 2021-03-03 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 数据检测方法、装置、计算机设备以及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2706578C1 (ru) * | 2019-04-02 | 2019-11-19 | Ложкин Андрей Григорьевич | Способ фильтрации и кластеризации режимов сложной ректификационной колонны |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5317741A (en) * | 1991-05-10 | 1994-05-31 | Siemens Corporate Research, Inc. | Computer method for identifying a misclassified software object in a cluster of internally similar software objects |
US6751621B1 (en) * | 2000-01-27 | 2004-06-15 | Manning & Napier Information Services, Llc. | Construction of trainable semantic vectors and clustering, classification, and searching using trainable semantic vectors |
RU2003136467A (ru) * | 2003-12-16 | 2005-05-27 | Открытое акционерное общество "Научно-производственное предпри тие "Радар ммс" (RU) | Способ автоматической кластеризации объектов |
US7676518B2 (en) * | 2006-08-16 | 2010-03-09 | Sap Ag | Clustering for structured data |
RU2007132411A (ru) * | 2007-08-27 | 2009-03-10 | Государственное образовательное учреждение высшего профессионального образовани "Южно-Российский государственный технический университет (Новочеркасский политехнический институт)" (RU) | Способ автоматической кластеризации объектов |
-
2014
- 2014-07-23 RU RU2014130519/08A patent/RU2586025C2/ru not_active IP Right Cessation
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113709092A (zh) * | 2021-03-03 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 数据检测方法、装置、计算机设备以及存储介质 |
CN113709092B (zh) * | 2021-03-03 | 2023-04-25 | 腾讯科技(深圳)有限公司 | 数据检测方法、装置、计算机设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
RU2586025C2 (ru) | 2016-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019050966A3 (en) | AUTOMATED SAMPLE WORKFLOW PORTALING AND DATA ANALYSIS | |
JP2016526380A5 (ru) | ||
EP3101599A3 (en) | Advanced analytical infrastructure for machine learning | |
PH12014502650A1 (en) | Method for predicting quality or manufacturing condition of cement | |
MX2018008104A (es) | Identificacion de entidades utilizando un modelo de aprendizaje profundo. | |
JP2016507759A5 (ru) | ||
CN109983482A (zh) | 已学习模型生成方法、已学习模型生成装置、信号数据判别方法、信号数据判别装置以及信号数据判别程序 | |
Tsai et al. | Multiscale crack fundamental element model for real-world pavement crack classification | |
MX2017001472A (es) | Metodo y sistema para obtener informacion geoquimica de pirolisis mediante espectroscopia de descomposicion inducida por laser. | |
RU2015143313A (ru) | Системы и способы для автоматического принятия решений на основе данных об участниках рынка | |
JP2018026122A5 (ru) | ||
MX2022005667A (es) | Identificacion de falsos positivos reducidos para cuantificacion espectroscopica. | |
CN102855490A (zh) | 高分辨率遥感影像面向对象神经网络分类方法 | |
CN202946195U (zh) | 一种图像型隧道围岩变形智能检测仪 | |
EP3156973A3 (en) | Systems and methods for evaluating suitability of an article for an individual | |
CN103886332A (zh) | 一种检测与识别金属网栅缺陷的方法 | |
CN106935038B (zh) | 一种停车检测系统及检测方法 | |
JP2016031367A5 (ru) | ||
RU2014130519A (ru) | Способ автоматической кластеризации объектов | |
JP2012226607A5 (ja) | 情報処理方法及び装置、パターン識別方法及び装置 | |
RU2013119641A (ru) | Моделирование геологического процесса | |
WO2015166353A3 (en) | Early detection of preeclampsia | |
CN104715160A (zh) | 基于kmdb的软测量建模数据异常点检测方法 | |
EP2762928A3 (en) | Recognizing method of flaky or blocky prohibited articles, explosives or drugs | |
CN106651803A (zh) | 户型数据的识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20170724 |