CN104537380A - 聚类方法和装置 - Google Patents
聚类方法和装置 Download PDFInfo
- Publication number
- CN104537380A CN104537380A CN201410841904.7A CN201410841904A CN104537380A CN 104537380 A CN104537380 A CN 104537380A CN 201410841904 A CN201410841904 A CN 201410841904A CN 104537380 A CN104537380 A CN 104537380A
- Authority
- CN
- China
- Prior art keywords
- class
- target class
- distance
- noise
- target
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (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)
- Image Analysis (AREA)
Abstract
本公开是关于一种聚类方法和装置。所述方法包括:分别识别每个目标类中的噪声对象;根据第一目标类和第二目标类中的非噪声对象计算所述第一目标类和所述第二目标类之间的类距离;如果所述第一目标类和所述第二目标类之间的类距离满足预设的条件,则将所述第一目标类和所述第二目标类合并,以形成新的目标类。通过本公开的技术方案,可以提高聚类结果的准确度。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种聚类方法和装置。
背景技术
聚类是将物理或者抽象对象的集合分成由类似的对象组成的多个类的过程,由聚类所生成的类或者簇是一组数据对象的集合,这些对象与同一个类中的对象彼此相似,与其他类中的对象相异。
相关技术中,可以采取层次聚类算法以实现聚类,在层次聚类算法中,通常是根据每个类中的所有对象以计算两个类之间的距离,进而会导致聚类结果的准确度较低。
发明内容
为克服相关技术中存在的问题,本公开提供一种聚类方法和装置,已解决相关技术中聚类结果的准确度较低的问题。
根据本公开实施例的第一方面,提供一种聚类方法,包括:
分别识别每个目标类中的噪声对象;
根据第一目标类和第二目标类中的非噪声对象计算所述第一目标类和所述第二目标类之间的类距离;
如果所述第一目标类和所述第二目标类之间的类距离满足预设的条件,则将所述第一目标类和所述第二目标类合并,以形成新的目标类。
可选的,所述分别识别每个目标类中的噪声对象,包括:
针对所述目标类中的每个对象,判断与目标对象的距离在预设距离内的对象的数量是否小于第一阈值;
如果与所述目标对象的距离在预设距离内的对象的数量小于所述第一阈值,则确认所述目标对象为噪声对象。
可选的,所述分别识别每个目标类中的噪声对象,包括:
计算所述目标类的类中心;
判断所述目标类中的目标对象距离所述类中心的距离是否大于第二阈值;
如果所述目标对象距离所述类中心的距离大于所述第二阈值,则确认所述目标对象为噪声对象。
可选的,在分别识别每个目标类中的噪声对象之前,还包括:
根据预设的聚类算法对初始类进行扩展;
判断扩展后的初始类中的对象的数量是否大于等于第三阈值;
如果扩展后的初始类中对象的数量大于等于所述第三阈值,则确认所述扩展后的初始类为目标类。
可选的,在将所述第一目标类和所述第二目标类进行合并之后,还包括:
判断是否存在类距离满足所述预设的条件的两个目标类;
如果存在类距离满足所述预设的条件的两个目标类,则将所述两个目标类进行合并。
根据本公开实施例的第二方面,提供一种聚类装置,包括:
噪声识别单元,用于分别识别每个目标类中的噪声对象;
距离计算单元,用于根据第一目标类和第二目标类中的非噪声对象计算所述第一目标类和所述第二目标类之间的类距离;
第一合并单元,用于在所述第一目标类和所述第二目标类之间的类距离满足预设的条件时,将所述第一目标类和所述第二目标类合并,以形成新的目标类。
可选的,所述噪声识别单元包括:
第一判断子单元,用于针对所述目标类中的每个对象,判断与目标对象的距离在预设距离内的对象的数量是否小于第一阈值;
第一确认子单元,用于在与所述目标对象的距离在预设距离内的对象的数量小于所述第一阈值时,确认所述目标对象为噪声对象。
可选的,所述噪声识别单元包括:
中心计算子单元,用于计算所述目标类的类中心;
第二判断子单元,用于判断所述目标类中的目标对象距离所述类中心的距离是否大于第二阈值;
第二确认子单元,用于在所述目标对象距离所述类中心的距离大于所述第二阈值时,确认所述目标对象为噪声对象。
可选的,还包括:
初始扩展单元,用于根据预设的聚类算法对初始类进行扩展;
数量判断单元,用于判断扩展后的初始类的中对象的数量是否大于等于第三阈值;
目标确认单元,用于在扩展后的初始类中对象的数量大于等于所述第三阈值时,确认所述扩展后的初始类为目标类。
可选的,还包括:
距离判断单元,用于在将所述第一目标类和所述第二目标类进行合并之后,判断是否存在类距离满足所述预设的条件的两个目标类;
第二合并单元,用于在存在类距离满足所述预设的条件的两个目标类时,将所述两个目标类合并。
根据本公开实施例的第三方面,提供一种聚类装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
分别识别每个目标类中的噪声对象;
根据第一目标类和第二目标类中的非噪声对象计算所述第一目标类和所述第二目标类之间的类距离;
如果所述第一目标类和所述第二目标类之间的类距离满足预设的条件,则将所述第一目标类和所述第二目标类合并,以形成新的目标类。
本公开的实施例提供的技术方案可以包括以下有益效果:
本公开通过识别每个目标类中的噪声对象,进而可以在计算第一目标类和第二目标类之间的类距离时排除噪声对象,根据所述第一目标类和所述第二目标类中的非噪声对象计算所述类距离,并在所述类距离满足条件时将所述第一目标类和所述第二目标类合并,从而提高聚类结果的准确度。
本公开可以通过判断目标类中的目标对象是否为核心对象,进而在所述目标对象不是核心对象时,确认所述目标对象为噪声对象,提高噪声对象识别的准确度,进而提高聚类结果的准确度。
本公开可以通过判断目标类中的目标对象与类中心的距离是否大于预设的第二阈值,进而在所述目标对象与类中心的距离大于所述第二阈值时,确认所述目标对象为噪声对象,提高噪声对象识别的准确度,进而提高聚类结果的准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种聚类方法的流程图。
图2是根据一示例性实施例示出的另一种聚类方法的流程图。
图3是根据一示例性实施例示出的一种识别目标类中的噪声对象的流程图。
图4是根据一示例性实施例示出的另一种识别目标类中的噪声对象的流程图。
图5是根据一示例性实施例示出的一种聚类装置的框图。
图6是根据一示例性实施例示出的另一种聚类装置的框图。
图7是根据一示例性实施例示出的另一种聚类装置的框图。
图8是根据一示例性实施例示出的另一种聚类装置的框图。
图9是根据一示例性实施例示出的另一种聚类装置的框图。
图10是根据一示例性实施例示出的一种用于聚类装置的一结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种聚类方法的流程图。
如图1所示,所述聚类方法可以用于终端中,包括以下步骤:
在步骤S101中,分别识别每个目标类中的噪声对象。
所述每个目标类中通常包括有多个对象,在本步骤中,分别识别每个目标类中的噪声对象。比如:可以通过基于密度的聚类算法判断所述目标类中的目标对象是否为核心对象,如果所述目标对象不是核心对象,则可以确认所述目标对象为噪声对象。也可以通过判断所述目标类中的目标对象与类中心的距离是否大于阈值,如果所述目标对象与类中心的距离大于所述阈值,则可以确认所述目标对象为噪声对象。
在步骤S102中,根据第一目标类和第二目标类中的非噪声对象计算所述第一目标类和所述第二目标类之间的类距离。
在本实施例中,在计算所述第一目标类和所述第二目标类的类距离时,排除噪声对象,根据所第一目标类和所述第二目标类中的非噪声对象计算所述两个类的类距离。
在步骤S103中,如果所述第一目标类和所述第二目标类之间的类距离满足预设的条件,则将所述第一目标类和所述第二目标类合并,以形成新的目标类。
基于前述步骤S102的计算结果,在本步骤中,判断所述第一目标类和所述第二目标类之间的类距离是否满足预设的条件,比如:判断所述类距离是否小于预设的阈值,如果所述类距离小于所述阈值,则将所述第一目标类和所述第二目标类合并,以形成新的目标类。
由以上描述可以看出,本公开通过识别每个目标类中的噪声对象,进而可以在计算第一目标类和第二目标类之间的类距离时排除噪声对象,根据所述第一目标类和所述第二目标类中的非噪声对象计算所述类距离,并在所述类距离满足条件时将所述第一目标类和所述第二目标类合并,从而提高聚类结果的准确度。
图2是根据一示例性实施例示出的另一种聚类方法的流程图。
如图2所示,所述聚类方法可以用于终端中,包括以下步骤:
在步骤S201中,根据预设的聚类算法对初始类进行扩展。
本公开提供的聚类方法可以应用在对人脸图像的聚类过程中,比如:针对多张人脸图像,可以通过所述聚类方法将同一个人的人脸图像聚集在一起形成一个聚类。当然,本公开提供的聚类方法还可以应用在对其他对象的聚类过程中,本公开对此不作特殊限制。
以对人脸图像进行聚类为例,假设有1000张人脸图像,可以将每张人脸图像作为一个对象,比如:将所述人脸图像中的特征转换为一组向量,则所述对象可以由一组向量表示,因此,对象与对象之间的距离就是向量与向量之间的距离。本领域技术人员可以依据相关技术中提供的方法实现上述过程,在此不再一一赘述。
在本实施例中,在进行聚类时可以先将每个对象作为一个初始类,即所述初始类中包括有一个对象,然后可以根据预设的聚类算法对所述初始类进行扩展,比如:可以依据层次聚类算法,计算任意选取的两个初始类之间的类距离,即计算所述两个初始类中对象之间的距离,如果所述类距离满足预设的条件,则将这两个初始类进行合并,以得到新的初始类,所述新的初始类中的对象数量为2。当然,在本步骤中,本领域技术人员依据相关技术也可以采用其他的聚类算法,比如:DSCAN(Density-Based Spatial Clustering ofApplications with Noise)基于密度的聚类算法,根据预设的扫描半径(EPS)和最小包含的点数(minPts),以对所述初始类进行扩展,本公开对此不作特殊限制。
在步骤S202中,判断扩展后的初始类中对象的数量是否大于等于第三阈值。如果扩展后的初始类中对象的数量大于等于所述第三阈值,则执行步骤S203。如果扩展后的初始类中对象的数量小于所述第三阈值,则可以继续执行步骤S201。
基于前述步骤S201,在对所述初始类进行扩展后,可以判断扩展后得到的初始类中对象的数量是否大于等于第三阈值,其中,所述第三阈值可以由开发人员进行设置。
在本步骤中,如果所述扩展后的初始类中对象的数量大于等于所述第三阈值,则所述扩展后的初始类中可能包含有噪声对象,所以执行步骤S203。如果所述扩展后的初始类中对象的数量小于所述第三阈值,则可以继续执行步骤S201的扩展流程。
在步骤S203中,确认所述扩展后的初始类为目标类。
基于前述步骤S202的判断结果,如果所述扩展后的初始类中对象的数量大于等于所述第三阈值,则不再对所述扩展后的初始类进行扩展,将所述扩展后的初始类确认为目标类。
在步骤S204中,分别识别每个目标类中的噪声对象。
基于前述步骤S203,在确认所述扩展后的初始类为目标类后,开始执行本步骤,识别所述目标类中的噪声对象。
请参考图3,本公开一示例性实施例示出的一种识别目标类中的噪声对象的流程图,所述识别目标类中的噪声对象,可以包括以下步骤:
在步骤S301中,针对所述目标类中的每个对象,判断与目标对象的距离在预设距离内的对象的数量是否小于第一阈值。如果与所述目标对象的距离在预设距离内的对象的数量小于所述第一阈值,则执行步骤S302。如果与所述目标对象的距离在预设距离内的对象的数量大于等于所述第一阈值,则继续执行本步骤。
在本实施例中,可以遍历所述目标类中的每个对象,根据预设的扫描半径(EPS)依次获取与目标对象的距离在所述扫描半径内的所有对象,然后判断获取到的对象的数量是否小于所述第一阈值,所述第一阈值通常为预设的最小包含的点数(minPts),即在本步骤中,判断所述目标对象是否为核心对象,如果获取到的对象的数量大于等于所述第一阈值,则说明所述目标对象是核心对象,继续执行本步骤,对下一个目标对象进行判断,直到对所述目标类中的所有对象判断完毕。如果获取到的对象的数量小于所述第一阈值,则所述目标对象不是核心对象,执行步骤S302。
在步骤S302中,确认所述目标对象为噪声对象。
基于前述步骤S301的判断结果,如果与所述目标对象的距离在预设距离内的对象的数量小于所述第一阈值,则所述目标对象不是核心对象,在本步骤中,可以确认所述目标对象为噪声对象。
在本实施例中,可以通过判断目标类中的目标对象是否为核心对象,进而在所述目标对象不是核心对象时,确认所述目标对象为噪声对象,提高噪声对象识别的准确度,进而提高聚类结果的准确度。
请参考图4,本公开一示例性实施例示出的另一种识别目标类中的噪声对象的流程图,所述识别目标类中的噪声对象,可以包括以下步骤:
在步骤S401中,计算所述目标类的类中心。
在本实施例中,针对每个目标类,计算所述目标类的类中心。比如:可以根据K-Means算法,通过求所述目标类中所有对象的平均值以得到所述目标类的类中心。当然,本领域技术人员也可以采用其他算法以计算所述目标类的类中心,本公开对此不作特殊限制。
在步骤S402中,判断所述目标类中的目标对象距离所述类中心的距离是否大于第二阈值,如果所述目标对象距离所述类中心的距离大于所述第二阈值,则执行步骤S403。如果所述目标对象距离所述类中心的距离小于等于所述第二阈值,则继续执行本步骤。
基于前述步骤S401,在计算得到所述目标类的类中心后,针对所述目标类中的每个对象,依次计算目标对象距离所述类中心的距离,然后执行本步骤的判断流程。如果所述目标对象距离所述类中心的距离小于等于所述第二阈值,则可以确认所述目标对象不是噪声对象,继续执行本步骤,对下一个目标对象进行判断,直到对所述目标类中的所有对象判断完毕。如果所述目标对象距离所述类中心的距离大于所述第二阈值,则执行步骤S403。其中,所述第二阈值可以开发人员进行设置,本公开对此不作特殊限制。
在步骤S403中,确认所述目标对象为噪声对象。
基于前述步骤S402的判断结果,如果所述目标对象距离所述类中心的距离大于所述第二阈值,则可以确认所述目标对象为噪声对象。
在本实施例中,可以通过判断目标类中的目标对象与类中心的距离是否大于预设的第二阈值,进而在所述目标对象与类中心的距离大于所述第二阈值时,确认所述目标对象为噪声对象,提高噪声对象识别的准确度,进而提高聚类结果的准确度。
在步骤S205中,根据第一目标类和第二目标类中的非噪声对象计算所述第一目标类和所述第二目标类之间的类距离。
基于前述步骤S204,在识别出所述目标类中的噪声对象后,可以任意选取两个目标类,在本公开中,将选取的这两个目标类称为第一目标类和第二目标类。在计算所述第一目标类和所述第二目标类之间的类距离时,排除噪声对象,根据所述第一目标类和所述第二目标类中的非噪声对象,计算所述类距离。
在本步骤中,可以采取相关技术中提供的类距离算法计算所述类距离,比如:近距离算法、远距离算法、平均距离算法、离差平方和算法等,本公开对此不作特殊限制。
在步骤S206中,如果所述第一目标类和所述第二目标类之间的类距离满足预设的条件,则将所述第一目标类和所述第二目标类进行合并,以形成新的目标类。
基于前述步骤S205,在计算得到所述第一目标类和所述第二目标类之间的类距离后,判断所述类距离是否满足预设的条件,如果所述类距离满足所述预设的条件,则在本步骤中,将所述第一目标类和所述第二目标类进行合并,以形成新的目标类。如果所述类距离不满足所述预设的条件,则继续执行步骤S205,选取已识别出噪声对象的第三目标类,根据所述第一目标类和所述第三目标类中的非噪声对象计算所述第一目标类和所述第三目标类之间的类距离,然后执行本步骤,判断所述第一目标类和所述第三目标类之间的类距离是否满足所述预设的条件,并在所述第一目标类和所述第三目标类之间的类距离满足所述预设的条件时,将所述第一目标类和所述第三目标类进行合并,以此类推,直到剩余的所有目标类中任意两个目标类之间的类距离都不满足所述预设的条件,得到的目标类就是本实施例聚类的结果。
在本步骤中,所述预设的条件可以由本领域技术人员根据选取的类距离算法进行设置,比如:如果步骤S205中采用的所述类距离算法为平均距离算法,则可以将所述预设的条件设置为小于等于第四阈值,即在本步骤中,当所述第一目标类和所述第二目标类之间的类距离小于等于所述第四阈值的时候,将所述第一目标类和所述第二目标类进行合并。
由以上描述可以看出,本公开通过识别每个目标类中的噪声对象,进而可以在计算第一目标类和第二目标类之间的类距离时排除噪声对象,根据所述第一目标类和所述第二目标类中的非噪声对象计算所述类距离,并在所述类距离满足条件时将所述第一目标类和所述第二目标类合并,从而提高聚类结果的准确度。
与前述聚类方法实施例相对应,本公开还提供了聚类装置的实施例。
图5是根据一示例性实施例示出的一种聚类装置框图。
请参考图5,所述聚类装置500可以用于终端中,包括有:噪声识别单元501、距离计算单元502以及第一合并单元503。
其中,所述噪声识别单元501被配置为:分别识别每个目标类中的噪声对象。
所述距离计算单元502被配置为:根据第一目标类和第二目标类中的非噪声对象计算所述第一目标类和所述第二目标类之间的类距离。
所述第一合并单元503被配置为:在所述第一目标类和所述第二目标类之间的类距离满足预设的条件时,将所述第一目标类和所述第二目标类合并,以形成新的目标类。
上述实施例中,可以通过识别每个目标类中的噪声对象,进而可以在计算第一目标类和第二目标类之间的类距离时排除噪声对象,根据所述第一目标类和所述第二目标类中的非噪声对象计算所述类距离,并在所述类距离满足条件时将所述第一目标类和所述第二目标类合并,从而提高聚类结果的准确度。
图6是根据一示例性实施例示出的另一种聚类装置框图。
请参考图6,该实施例在前述图5所示的实施例的基础上,所述噪声识别单元501可以包括:第一判断子单元5011以及第一确认子单元5012。
其中,所述第一判断子单元5011被配置为:针对所述目标类中的每个对象,判断与目标对象的距离在预设距离内的对象的数量是否小于第一阈值。
所述第一确认子单元5012被配置为:在与所述目标对象的距离在预设距离内的对象的数量小于所述第一阈值时,确认所述目标对象为噪声对象。
上述实施例中,可以通过判断目标类中的目标对象是否为核心对象,进而在所述目标对象不是核心对象时,确认所述目标对象为噪声对象,提高噪声对象识别的准确度,进而提高聚类结果的准确度。
图7是根据一示例性实施例示出的另一种聚类装置框图。
请参考图7,该实施例在前述图5所示的实施例的基础上,所述噪声识别单元501还可以包括:中心计算子单元5013、第二判断子单元5014以及第二确认子单元5015。
其中,所述中心计算子单元5013被配置为:计算所述目标类的类中心。
所述第二判断子单元5014被配置为:判断所述目标类中的目标对象距离所述类中心的距离是否大于第二阈值。
所述第二确认子单元5015被配置为:在所述目标对象距离所述类中心的距离大于所述第二阈值时,确认所述目标对象为噪声对象。
上述实施例中,可以通过判断目标类中的目标对象与类中心的距离是否大于预设的第二阈值,进而在所述目标对象与类中心的距离大于所述第二阈值时,确认所述目标对象为噪声对象,提高噪声对象识别的准确度,进而提高聚类结果的准确度。
图8是根据一示例性实施例示出的另一种聚类装置框图。
请参考图8,该实施例在前述图5所示的实施例的基础上,所述聚类装置500还可以包括:初始扩展单元504、数量判断单元505以及目标确认单元506。
其中,所述初始扩展单元504被配置为:根据预设的聚类算法对初始类进行扩展。
所述数量判断单元505被配置为:判断扩展后的初始类的中对象的数量是否大于等于第三阈值。
所述目标确认单元506被配置为:在扩展后的初始类中对象的数量大于等于所述第三阈值时,确认所述扩展后的初始类为目标类。
需要说明的是,上述图8所示的装置实施例中的初始扩展单元504、数量判断单元505以及目标确认单元506,也可以包含在前述图6至图7的装置实施例中,对此本公开不进行限制。
图9是根据一示例性实施例示出的另一种聚类装置框图。
请参考图9,该实施例在前述图5所示的实施例的基础上,所述聚类装置500还可以包括:距离判断单元507以及第二合并单元508。
其中,所述距离判断单元507被配置为:在将所述第一目标类和所述第二目标类进行合并之后,判断是否存在类距离满足所述预设的条件的两个目标类。
所述第二合并单元508被配置为:在存在类距离满足所述预设的条件的两个目标类时,将所述两个目标类合并。
需要说明的是,上述图9所示的装置实施例中的距离判断单元507以及第二合并单元508,也可以包含在前述图6至图8的装置实施例中,对此本公开不进行限制。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
相应的,本公开还提供一种聚类装置,所述装置包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:分别识别每个目标类中的噪声对象;根据第一目标类和第二目标类中的非噪声对象计算所述第一目标类和所述第二目标类之间的类距离;如果所述第一目标类和所述第二目标类之间的类距离满足预设的条件,则将所述第一目标类和所述第二目标类合并,以形成新的目标类。
相应的,本公开还提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由终端的处理器执行时,使得终端能够执行一种聚类方法,所述方法包括:分别识别每个目标类中的噪声对象;根据第一目标类和第二目标类中的非噪声对象计算所述第一目标类和所述第二目标类之间的类距离;如果所述第一目标类和所述第二目标类之间的类距离满足预设的条件,则将所述第一目标类和所述第二目标类合并,以形成新的目标类。
图10是根据一示例性实施例示出的一种用于聚类装置1000的框图。例如,装置1000可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图10,装置1000可以包括以下一个或多个组件:处理组件1002,存储器1004,电源组件1006,多媒体组件1008,音频组件1010,输入/输出(I/O)的接口1012,传感器组件1014,以及通信组件1016。
处理组件1002通常控制装置1000的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理元件1002可以包括一个或多个处理器1020来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件1002可以包括一个或多个模块,便于处理组件1002和其他组件之间的交互。例如,处理部件1002可以包括多媒体模块,以方便多媒体组件1008和处理组件1002之间的交互。
存储器1004被配置为存储各种类型的数据以支持在设备1000的操作。这些数据的示例包括用于在装置1000上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器1004可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电力组件1006为装置1000的各种组件提供电力。电力组件1006可以包括电源管理***,一个或多个电源,及其他与为装置1000生成、管理和分配电力相关联的组件。
多媒体组件1008包括在所述装置1000和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件1108包括一个前置摄像头和/或后置摄像头。当设备1100处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件1010被配置为输出和/或输入音频信号。例如,音频组件1010包括一个麦克风(MIC),当装置1000处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1004或经由通信组件1016发送。在一些实施例中,音频组件1010还包括一个扬声器,用于输出音频信号。
I/O接口1012为处理组件1002和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1014包括一个或多个传感器,用于为装置1000提供各个方面的状态评估。例如,传感器组件1014可以检测到设备1000的打开/关闭状态,组件的相对定位,例如所述组件为装置1000的显示器和小键盘,传感器组件1014还可以检测装置1000或装置1000一个组件的位置改变,用户与装置1000接触的存在或不存在,装置1000方位或加速/减速和装置1000的温度变化。传感器组件1014可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1014还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件1014还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件1016被配置为便于装置1000和其他设备之间有线或无线方式的通信。装置1000可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信部件1016经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信部件1016还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置1000可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器1004,上述指令可由装置1000的处理器1020执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (11)
1.一种聚类方法,其特征在于,包括:
分别识别每个目标类中的噪声对象;
根据第一目标类和第二目标类中的非噪声对象计算所述第一目标类和所述第二目标类之间的类距离;
如果所述第一目标类和所述第二目标类之间的类距离满足预设的条件,则将所述第一目标类和所述第二目标类合并,以形成新的目标类。
2.根据权利要求1所述的聚类方法,其特征在于,所述分别识别每个目标类中的噪声对象,包括:
针对所述目标类中的每个对象,判断与目标对象的距离在预设距离内的对象的数量是否小于第一阈值;
如果与所述目标对象的距离在预设距离内的对象的数量小于所述第一阈值,则确认所述目标对象为噪声对象。
3.根据权利要求1所述的聚类方法,其特征在于,所述分别识别每个目标类中的噪声对象,包括:
计算所述目标类的类中心;
判断所述目标类中的目标对象距离所述类中心的距离是否大于第二阈值;
如果所述目标对象距离所述类中心的距离大于所述第二阈值,则确认所述目标对象为噪声对象。
4.根据权利要求1所述的聚类方法,其特征在于,在分别识别每个目标类中的噪声对象之前,还包括:
根据预设的聚类算法对初始类进行扩展;
判断扩展后的初始类中的对象的数量是否大于等于第三阈值;
如果扩展后的初始类中对象的数量大于等于所述第三阈值,则确认所述扩展后的初始类为目标类。
5.根据权利要求1所述的聚类方法,其特征在于,在将所述第一目标类和所述第二目标类进行合并之后,还包括:
判断是否存在类距离满足所述预设的条件的两个目标类;
如果存在类距离满足所述预设的条件的两个目标类,则将所述两个目标类进行合并。
6.一种聚类装置,其特征在于,包括:
噪声识别单元,用于分别识别每个目标类中的噪声对象;
距离计算单元,用于根据第一目标类和第二目标类中的非噪声对象计算所述第一目标类和所述第二目标类之间的类距离;
第一合并单元,用于在所述第一目标类和所述第二目标类之间的类距离满足预设的条件时,将所述第一目标类和所述第二目标类合并,以形成新的目标类。
7.根据权利要求6所述的聚类装置,其特征在于,所述噪声识别单元包括:
第一判断子单元,用于针对所述目标类中的每个对象,判断与目标对象的距离在预设距离内的对象的数量是否小于第一阈值;
第一确认子单元,用于在与所述目标对象的距离在预设距离内的对象的数量小于所述第一阈值时,确认所述目标对象为噪声对象。
8.根据权利要求6所述的聚类装置,其特征在于,所述噪声识别单元包括:
中心计算子单元,用于计算所述目标类的类中心;
第二判断子单元,用于判断所述目标类中的目标对象距离所述类中心的距离是否大于第二阈值;
第二确认子单元,用于在所述目标对象距离所述类中心的距离大于所述第二阈值时,确认所述目标对象为噪声对象。
9.根据权利要求6所述的聚类装置,其特征在于,还包括:
初始扩展单元,用于根据预设的聚类算法对初始类进行扩展;
数量判断单元,用于判断扩展后的初始类的中对象的数量是否大于等于第三阈值;
目标确认单元,用于在扩展后的初始类中对象的数量大于等于所述第三阈值时,确认所述扩展后的初始类为目标类。
10.根据权利要求6所述的聚类装置,其特征在于,还包括:
距离判断单元,用于在将所述第一目标类和所述第二目标类进行合并之后,判断是否存在类距离满足所述预设的条件的两个目标类;
第二合并单元,用于在存在类距离满足所述预设的条件的两个目标类时,将所述两个目标类合并。
11.一种聚类装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
分别识别每个目标类中的噪声对象;
根据第一目标类和第二目标类中的非噪声对象计算所述第一目标类和所述第二目标类之间的类距离;
如果所述第一目标类和所述第二目标类之间的类距离满足预设的条件,则将所述第一目标类和所述第二目标类合并,以形成新的目标类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410841904.7A CN104537380A (zh) | 2014-12-30 | 2014-12-30 | 聚类方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410841904.7A CN104537380A (zh) | 2014-12-30 | 2014-12-30 | 聚类方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104537380A true CN104537380A (zh) | 2015-04-22 |
Family
ID=52852900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410841904.7A Pending CN104537380A (zh) | 2014-12-30 | 2014-12-30 | 聚类方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104537380A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426878A (zh) * | 2015-12-22 | 2016-03-23 | 小米科技有限责任公司 | 人脸聚类方法及装置 |
CN105608430A (zh) * | 2015-12-22 | 2016-05-25 | 小米科技有限责任公司 | 人脸聚类方法及装置 |
CN105631404A (zh) * | 2015-12-17 | 2016-06-01 | 小米科技有限责任公司 | 对照片进行聚类的方法及装置 |
CN107067045A (zh) * | 2017-05-31 | 2017-08-18 | 北京京东尚科信息技术有限公司 | 数据聚类方法、装置、计算机可读介质和电子设备 |
CN108428474A (zh) * | 2018-03-30 | 2018-08-21 | 四川斐讯信息技术有限公司 | 一种基于室内空气情况推荐运动方案的方法及*** |
CN109086697A (zh) * | 2018-07-20 | 2018-12-25 | 腾讯科技(深圳)有限公司 | 一种人脸数据处理方法、装置及存储介质 |
CN109861953A (zh) * | 2018-05-14 | 2019-06-07 | 新华三信息安全技术有限公司 | 一种异常用户识别方法及装置 |
CN111415151A (zh) * | 2020-03-10 | 2020-07-14 | 支付宝(杭州)信息技术有限公司 | 连锁商户的识别方法、装置、电子设备及存储介质 |
CN112148942A (zh) * | 2019-06-27 | 2020-12-29 | 北京达佳互联信息技术有限公司 | 基于数据聚类的业务指标数据分类方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010038187A1 (en) * | 2008-09-30 | 2010-04-08 | Fausto Artico | Method for data clusters indexing, recognition and retrieval in presence of noise |
CN103902689A (zh) * | 2014-03-26 | 2014-07-02 | 小米科技有限责任公司 | 聚类方法、增量聚类方法及相关装置 |
CN104102726A (zh) * | 2014-07-22 | 2014-10-15 | 南昌航空大学 | 基于层次聚类的改进k均值聚类算法 |
-
2014
- 2014-12-30 CN CN201410841904.7A patent/CN104537380A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010038187A1 (en) * | 2008-09-30 | 2010-04-08 | Fausto Artico | Method for data clusters indexing, recognition and retrieval in presence of noise |
CN103902689A (zh) * | 2014-03-26 | 2014-07-02 | 小米科技有限责任公司 | 聚类方法、增量聚类方法及相关装置 |
CN104102726A (zh) * | 2014-07-22 | 2014-10-15 | 南昌航空大学 | 基于层次聚类的改进k均值聚类算法 |
Non-Patent Citations (1)
Title |
---|
岳士弘 等: "一组新的聚类有效性指标", 《模式识别与人工智能》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631404A (zh) * | 2015-12-17 | 2016-06-01 | 小米科技有限责任公司 | 对照片进行聚类的方法及装置 |
CN105631404B (zh) * | 2015-12-17 | 2018-11-30 | 小米科技有限责任公司 | 对照片进行聚类的方法及装置 |
CN105426878B (zh) * | 2015-12-22 | 2019-05-21 | 小米科技有限责任公司 | 人脸聚类方法及装置 |
CN105608430A (zh) * | 2015-12-22 | 2016-05-25 | 小米科技有限责任公司 | 人脸聚类方法及装置 |
CN105426878A (zh) * | 2015-12-22 | 2016-03-23 | 小米科技有限责任公司 | 人脸聚类方法及装置 |
CN105608430B (zh) * | 2015-12-22 | 2019-04-26 | 小米科技有限责任公司 | 人脸聚类方法及装置 |
CN107067045A (zh) * | 2017-05-31 | 2017-08-18 | 北京京东尚科信息技术有限公司 | 数据聚类方法、装置、计算机可读介质和电子设备 |
CN108428474A (zh) * | 2018-03-30 | 2018-08-21 | 四川斐讯信息技术有限公司 | 一种基于室内空气情况推荐运动方案的方法及*** |
CN109861953A (zh) * | 2018-05-14 | 2019-06-07 | 新华三信息安全技术有限公司 | 一种异常用户识别方法及装置 |
CN109861953B (zh) * | 2018-05-14 | 2020-08-21 | 新华三信息安全技术有限公司 | 一种异常用户识别方法及装置 |
US11671434B2 (en) | 2018-05-14 | 2023-06-06 | New H3C Security Technologies Co., Ltd. | Abnormal user identification |
CN109086697A (zh) * | 2018-07-20 | 2018-12-25 | 腾讯科技(深圳)有限公司 | 一种人脸数据处理方法、装置及存储介质 |
CN112148942A (zh) * | 2019-06-27 | 2020-12-29 | 北京达佳互联信息技术有限公司 | 基于数据聚类的业务指标数据分类方法及装置 |
CN112148942B (zh) * | 2019-06-27 | 2024-04-09 | 北京达佳互联信息技术有限公司 | 基于数据聚类的业务指标数据分类方法及装置 |
CN111415151A (zh) * | 2020-03-10 | 2020-07-14 | 支付宝(杭州)信息技术有限公司 | 连锁商户的识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104537380A (zh) | 聚类方法和装置 | |
CN105260732A (zh) | 图片处理方法及装置 | |
CN105117033A (zh) | 外接设备的连接方法及装置 | |
CN105224349A (zh) | 应用程序的删除提示方法和装置 | |
CN104238912A (zh) | 应用控制方法及装置 | |
CN104899610A (zh) | 图片分类方法及装置 | |
CN105068958A (zh) | 切换控制方法及装置 | |
CN104105169A (zh) | 自动连接无线局域网的方法及装置 | |
CN104378501A (zh) | 电话号码命名方法及装置 | |
CN105426485A (zh) | 图像合并方法和装置、智能终端和服务器 | |
CN105159496A (zh) | 触控事件响应方法及移动终端 | |
CN104735670A (zh) | 网络接入方法及装置 | |
CN105426878A (zh) | 人脸聚类方法及装置 | |
CN104331228A (zh) | 锁屏的方法及装置 | |
CN105160320A (zh) | 指纹识别方法、装置及移动终端 | |
CN105224171A (zh) | 图标显示方法、装置及终端 | |
CN104243829A (zh) | 自拍的方法及装置 | |
CN105472157A (zh) | 终端运动状态监测方法及装置 | |
CN104809744A (zh) | 图片处理方法和装置 | |
CN105430715A (zh) | 控制wifi扫描的方法及装置 | |
CN105511777A (zh) | 触控显示屏上的会话显示方法及装置 | |
CN105187671A (zh) | 录音方法及装置 | |
CN104573642A (zh) | 人脸识别方法及装置 | |
CN105491518A (zh) | 基于可穿戴设备的社交提醒方法和装置 | |
CN104881342A (zh) | 终端测试方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150422 |
|
RJ01 | Rejection of invention patent application after publication |