JPH0540829A - データクラスタリング方法 - Google Patents
データクラスタリング方法Info
- Publication number
- JPH0540829A JPH0540829A JP3197734A JP19773491A JPH0540829A JP H0540829 A JPH0540829 A JP H0540829A JP 3197734 A JP3197734 A JP 3197734A JP 19773491 A JP19773491 A JP 19773491A JP H0540829 A JPH0540829 A JP H0540829A
- Authority
- JP
- Japan
- Prior art keywords
- data
- neural network
- clustering
- present
- conversion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000006243 chemical reaction Methods 0.000 claims abstract description 22
- 241000282414 Homo sapiens Species 0.000 abstract description 5
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 4
- 241000282412 Homo Species 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
(57)【要約】
【目的】 本発明の目的は、より人間に近いクラスタリ
ングを行うクラスタリング方法を提供する事である。 【構成】 図１に示すように、本発明は、データ入力手
段１と、データ変換ニューラルネットワーク２と、デー
タ逆変換ニューラルネットワーク３と、データ比較・学
習制御手段４と、クラスタリング手段５により構成され
る。 【効果】 本発明によれば、従来的なクラスタリング手
段の前処理として、ニューラルネットワークによるデー
タ変換を行う事により、人間がデータ全体を見て主観的
にクラスタリングする場合と同等の結果を容易に与える
ものである。
ングを行うクラスタリング方法を提供する事である。 【構成】 図１に示すように、本発明は、データ入力手
段１と、データ変換ニューラルネットワーク２と、デー
タ逆変換ニューラルネットワーク３と、データ比較・学
習制御手段４と、クラスタリング手段５により構成され
る。 【効果】 本発明によれば、従来的なクラスタリング手
段の前処理として、ニューラルネットワークによるデー
タ変換を行う事により、人間がデータ全体を見て主観的
にクラスタリングする場合と同等の結果を容易に与える
ものである。
Description
【０００１】
【産業上の利用分野】本発明は情報圧縮、パタン認識等
に用いられるデータクラスタリング方法に関するもので
ある。
に用いられるデータクラスタリング方法に関するもので
ある。
【０００２】
【従来の技術】従来の技術におけるデータをクラスタリ
ングする方法の例として、例えばＬＢＧアルゴリズムを
考える。これは、いくつかの設定されたクラスタ中心点
を考え、それと各々のデータ点の距離を誤差と考え、そ
の誤差の総計を小さくするようにクラスタ中心点を修正
し、データ全体をクラスタリングする方法である。
ングする方法の例として、例えばＬＢＧアルゴリズムを
考える。これは、いくつかの設定されたクラスタ中心点
を考え、それと各々のデータ点の距離を誤差と考え、そ
の誤差の総計を小さくするようにクラスタ中心点を修正
し、データ全体をクラスタリングする方法である。
【０００３】これは非常に有効な方法であるが、基本的
にはある２点間の情報しか用いていない方法である。
にはある２点間の情報しか用いていない方法である。
【０００４】これらの方法における問題点として、例え
ば図３に示されるような場合を考えてみる。この図にお
いてデータは図中番号９に示した半円上と、１０に示し
た半円上にあるとする。これを２つのクラスタに分ける
事を考える。
ば図３に示されるような場合を考えてみる。この図にお
いてデータは図中番号９に示した半円上と、１０に示し
た半円上にあるとする。これを２つのクラスタに分ける
事を考える。
【０００５】人間がこのデータを２つに分けるのは非常
に簡単である。つまり、９の半円と１０の半円に分ける
だけである。
に簡単である。つまり、９の半円と１０の半円に分ける
だけである。
【０００６】しかし、従来の２点間の距離を考える方法
においては、この問題はそれほど簡単ではない。つま
り、例えば１０の半円のクラスタ中心を従来的な方法に
おいて求め、それと点１１と点１２の間の距離を考えれ
ば、点１１の方が点１２よりも１０の半円のクラスタに
近い事になってしまう。つまり、従来の方法において得
られるクラスタは、上で述べた人間が分けたクラスタと
は全く異なったものになってしまうのである。
においては、この問題はそれほど簡単ではない。つま
り、例えば１０の半円のクラスタ中心を従来的な方法に
おいて求め、それと点１１と点１２の間の距離を考えれ
ば、点１１の方が点１２よりも１０の半円のクラスタに
近い事になってしまう。つまり、従来の方法において得
られるクラスタは、上で述べた人間が分けたクラスタと
は全く異なったものになってしまうのである。
【０００７】
【発明が解決しようとする課題】本発明が解決しようす
る課題は、従来的な単純に２点間の距離のみを考えたク
ラスタリングが与えるクラスタが、人間がデータの全体
を多面的に見て、主観的に分けたクラスタとは全く異な
ったものになると言う事であり、本発明の目的はより人
間の主観に近いクラスタリングを実現するクラスタリン
グ方法を提供する事である。
る課題は、従来的な単純に２点間の距離のみを考えたク
ラスタリングが与えるクラスタが、人間がデータの全体
を多面的に見て、主観的に分けたクラスタとは全く異な
ったものになると言う事であり、本発明の目的はより人
間の主観に近いクラスタリングを実現するクラスタリン
グ方法を提供する事である。
【０００８】
【課題を解決するための手段】図１は本発明の方法の構
成の模式図である。この図を用い本発明の構成を示す
と、本発明は、 １）、データ入力手段１と、 ２）、１のデータ入力手段によるデータを入力とするデ
ータ変換ニューラルネットワーク２と、 ３）、２のデータ変換ニューラルネットワークの出力を
入力とするデータ逆変換ニューラルネットワーク３と、 ４）、１データ入力手段によるデータと、３のデータ逆
変換ニューラルネットワークの出力を入力とし、２のデ
ータ変換ニューラルネットワークと、３のデータ逆変換
ニューラルネットワークの学習を制御するデータ比較・
学習制御手段と４、 をその構成中に含む事を特徴とするデータクラスタリン
グ方法である。
成の模式図である。この図を用い本発明の構成を示す
と、本発明は、 １）、データ入力手段１と、 ２）、１のデータ入力手段によるデータを入力とするデ
ータ変換ニューラルネットワーク２と、 ３）、２のデータ変換ニューラルネットワークの出力を
入力とするデータ逆変換ニューラルネットワーク３と、 ４）、１データ入力手段によるデータと、３のデータ逆
変換ニューラルネットワークの出力を入力とし、２のデ
ータ変換ニューラルネットワークと、３のデータ逆変換
ニューラルネットワークの学習を制御するデータ比較・
学習制御手段と４、 をその構成中に含む事を特徴とするデータクラスタリン
グ方法である。
【０００９】
【実施例】図３の例を用い本発明を説明する。
【００１０】図１は本発明の全体の概略図である。また
図２は図１の内、データ変換ニューラルネットワーク
と、データ逆変換ニューラルネットワークの部分を、図
３の例を処理する例として具体的に書いたものである。
図２は図１の内、データ変換ニューラルネットワーク
と、データ逆変換ニューラルネットワークの部分を、図
３の例を処理する例として具体的に書いたものである。
【００１１】このネットワークに図３に示したデータの
例として、表１に入力データとして示した３４個の点を
入力する場合を考える。
例として、表１に入力データとして示した３４個の点を
入力する場合を考える。
【００１２】
【表１】
【００１３】先ずそれぞれのネットワークに適当な初期
値を設定し、データ変換ニューラルネットワーク２に入
力データを与え、その変換出力を計算する。次に、その
変換出力を入力データとしてデータ逆変換ニューラルネ
ットワークに与え、その逆変換出力を計算する。
値を設定し、データ変換ニューラルネットワーク２に入
力データを与え、その変換出力を計算する。次に、その
変換出力を入力データとしてデータ逆変換ニューラルネ
ットワークに与え、その逆変換出力を計算する。
【００１４】このように次々とデータを与え、入力した
データと、データ逆変換ニューラルネットワークの逆変
換出力が同じになるまで各々のニューラルネットワーク
を適当な学習アルゴリズムで学習させる。
データと、データ逆変換ニューラルネットワークの逆変
換出力が同じになるまで各々のニューラルネットワーク
を適当な学習アルゴリズムで学習させる。
【００１５】表１にニューラルネットワークを学習させ
た後の、各々のデータに対応する変換出力と、逆変換出
力を示す。この例においては、誤差の評価としてマクレ
ラン誤差を、また学習アルゴリズムとして誤差逆伝搬ア
ルゴリズムを用いて学習させた。表１より明かであるよ
うに、入力データと逆変換出力は殆ど一致している。図
４は表１の変換出力を模式的に図式化したものである。
た後の、各々のデータに対応する変換出力と、逆変換出
力を示す。この例においては、誤差の評価としてマクレ
ラン誤差を、また学習アルゴリズムとして誤差逆伝搬ア
ルゴリズムを用いて学習させた。表１より明かであるよ
うに、入力データと逆変換出力は殆ど一致している。図
４は表１の変換出力を模式的に図式化したものである。
【００１６】図４の番号１３は図３半円９を、１４は半
円１０を、点１５は点１１を、点１６は点１２にそれぞ
れ対応している。
円１０を、点１５は点１１を、点１６は点１２にそれぞ
れ対応している。
【００１７】図４より明かであるように、このように変
換されたデータを用いれば、それをクラスタリングする
アルゴリズムが従来的なものであっても、その結果は人
間がクラスタリングする場合と同等の結果を与える。
換されたデータを用いれば、それをクラスタリングする
アルゴリズムが従来的なものであっても、その結果は人
間がクラスタリングする場合と同等の結果を与える。
【００１８】この例においては、入力データと、その変
換出力が同じ次元を持つとしたが、データの構造によっ
ては、変換出力の方が次元が小さい場合、あるいはその
逆に次元を大きくした方がより自然にデータを表現する
場合も考えられる。
換出力が同じ次元を持つとしたが、データの構造によっ
ては、変換出力の方が次元が小さい場合、あるいはその
逆に次元を大きくした方がより自然にデータを表現する
場合も考えられる。
【００１９】
【発明の効果】本発明によれば、人間がデータ全体の構
造から主観的にクラスタリングするのと同等の結果を容
易に得る事ができる。
造から主観的にクラスタリングするのと同等の結果を容
易に得る事ができる。
【図１】 本発明によるクラスタリング方法の全体の概
略図である。
略図である。
【図２】 本発明の１実施例としてのニューラルネット
ワークの構成図である。
ワークの構成図である。
【図３】 本発明の説明の為のデータ例を示した図であ
る。
る。
【図４】 本発明により変換された図３のデータを示し
た図である。
た図である。
１：データ入力手段 ２：データ変換ニューラルネットワーク ３：データ逆変換ニューラルネットワーク ４：データ比較・学習制御手段 ５：クラスタリング手段 ６：データ変換ネットワーク ７：データ逆変換ネットワーク ８：クラスタリング手段 ９：半円状のデータ １０：半円状のデータ １１：データの端点 １２：データの端点 １３：９に対応するデータ １４：１０に対応するデータ １５：１１に対応するデータ １６：１２に対応するデータ
Claims (1)
- 【請求項１】１）、データ入力手段と、 ２）、１のデータ入力手段によるデータを入力とするデ
ータ変換ニューラルネットワークと、 ３）、２のデータ変換ニューラルネットワークの出力を
入力とするデータ逆変換ニューラルネットワークと、 ４）、１データ入力手段によるデータと、３のデータ逆
変換ニューラルネットワークの出力を入力とし、２のデ
ータ変換ニューラルネットワークと、３のデータ逆変換
ニューラルネットワークの学習を制御するデータ比較・
学習制御手段と、をその構成中に含む事を特徴とするデ
ータクラスタリング方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3197734A JPH0540829A (ja) | 1991-08-07 | 1991-08-07 | データクラスタリング方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3197734A JPH0540829A (ja) | 1991-08-07 | 1991-08-07 | データクラスタリング方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0540829A true JPH0540829A (ja) | 1993-02-19 |
Family
ID=16379456
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3197734A Pending JPH0540829A (ja) | 1991-08-07 | 1991-08-07 | データクラスタリング方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0540829A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012105085A1 (ja) * | 2011-01-31 | 2012-08-09 | Ｎｅｃソフト株式会社 | 画像認証装置、画像認証方法、プログラムおよび記録媒体 |
| JP2019520655A (ja) * | 2016-06-21 | 2019-07-18 | ヴァイケーリアス エフピーシー, インコーポレイテッドVicarious FPC, Inc. | ニューラルネットワークおよび関連システムにおいてデータ解釈を生成するためのシステムおよび方法 |
| JPWO2022059190A1 (ja) * | 2020-09-18 | 2022-03-24 | ||
| US11551057B2 (en) | 2014-08-08 | 2023-01-10 | Intrinsic Innovation Llc | Systems and methods for generating data explanations for neural networks and related systems |
-
1991
- 1991-08-07 JP JP3197734A patent/JPH0540829A/ja active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012105085A1 (ja) * | 2011-01-31 | 2012-08-09 | Ｎｅｃソフト株式会社 | 画像認証装置、画像認証方法、プログラムおよび記録媒体 |
| US11551057B2 (en) | 2014-08-08 | 2023-01-10 | Intrinsic Innovation Llc | Systems and methods for generating data explanations for neural networks and related systems |
| JP2019520655A (ja) * | 2016-06-21 | 2019-07-18 | ヴァイケーリアス エフピーシー, インコーポレイテッドVicarious FPC, Inc. | ニューラルネットワークおよび関連システムにおいてデータ解釈を生成するためのシステムおよび方法 |
| JPWO2022059190A1 (ja) * | 2020-09-18 | 2022-03-24 | ||
| WO2022059190A1 (ja) * | 2020-09-18 | 2022-03-24 | 日本電信電話株式会社 | 学習方法、クラスタリング方法、学習装置、クラスタリング装置及びプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114578967B (zh) | 一种基于脑电信号的情感识别方法及系统 | |
| CN110610168A (zh) | 一种基于注意力机制的脑电情绪识别方法 | |
| CN112347910B (zh) | 一种基于多模态深度学习的信号指纹识别方法 | |
| Pandey et al. | Improving facial emotion recognition systems using gradient and laplacian images | |
| CN112613479A (zh) | 基于轻量流式网络和注意力机制的表情识别方法 | |
| JPH05158910A (ja) | ニューラルネットのトレイン方法及びニューラルネットの分類装置 | |
| CN117860250A (zh) | 一种基于cnt的脑电信号情绪识别方法 | |
| CN114548262A (zh) | 一种情感计算中多模态生理信号的特征级融合方法 | |
| CN114358252A (zh) | 目标神经网络模型中的操作执行方法及装置、存储介质 | |
| Keleş et al. | Self-organized residual blocks for image super-resolution | |
| JPH0540829A (ja) | データクラスタリング方法 | |
| JPWO2020235033A5 (ja) | データ変換装置、パターン認識システム、データ変換方法及びデータ変換プログラム | |
| CN118587562B (zh) | 图文多模态模型的知识蒸馏方法、图像处理方法及设备 | |
| Hou et al. | Adaptive EEG Emotion Recognition Model Based on SCSSA Combined with CNN-Attention-LSTM | |
| CN112890828A (zh) | 一种密集连接门控网络的脑电信号识别方法及系统 | |
| CN111402923B (zh) | 基于wavenet的情感语音转换方法 | |
| US5430829A (en) | Learning method for a data processing system | |
| CN116778289B (zh) | 一种基于Transformer进行音视频联合场景分类方法及系统 | |
| JP3618007B2 (ja) | ニューラルネットワークの学習装置及び学習方法 | |
| JPH0683796A (ja) | 信号処理装置 | |
| De Carvalho et al. | Pixel clustering for face recognition | |
| Yang et al. | New KF-PP-SVM classification method for EEG in brain-computer interfaces | |
| JP3555773B2 (ja) | 信号処理システム | |
| Varsha et al. | Stress recognition using sparse representation of speech signal for deception detection applications in Indian context | |
| Tavallaie et al. | RBLA: Rank-Based-LoRA-Aggregation for Fine-Tuning Heterogeneous Models |