JP2001283184A - クラスタリング装置 - Google Patents
クラスタリング装置Info
- Publication number
- JP2001283184A JP2001283184A JP2000091863A JP2000091863A JP2001283184A JP 2001283184 A JP2001283184 A JP 2001283184A JP 2000091863 A JP2000091863 A JP 2000091863A JP 2000091863 A JP2000091863 A JP 2000091863A JP 2001283184 A JP2001283184 A JP 2001283184A
- Authority
- JP
- Japan
- Prior art keywords
- cluster
- clustering
- data
- input data
- input
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
(57)【要約】
【課題】 簡単な構成と手順で、クラスタリングにおけ
るデータの動的変化に対応することができるクラスタリ
ング装置を提供する。 【解決手段】 入力データを、クラスタを用いて分類す
るクラスタリング装置において、クラスタを作成するク
ラスタ作成装置１と、クラスタ作成装置により作成され
たクラスタを用いて、入力データのクラスタリングを実
行するクラスタリング実行装置２と、クラスタリング実
行装置のクラスタリング結果を監視して誤分類された入
力データを識別するクラスタリング結果監視装置３と、
誤分類された入力データを蓄積する蓄積手段８とを設
け、蓄積手段に一定数以上のデータが蓄積された場合
に、このデータを基に、クラスタ作成装置が新たなクラ
スタを作成するように構成している。入力データの動的
変化に対応してクラスタを修正し、誤分類を抑えること
ができる。
るデータの動的変化に対応することができるクラスタリ
ング装置を提供する。 【解決手段】 入力データを、クラスタを用いて分類す
るクラスタリング装置において、クラスタを作成するク
ラスタ作成装置１と、クラスタ作成装置により作成され
たクラスタを用いて、入力データのクラスタリングを実
行するクラスタリング実行装置２と、クラスタリング実
行装置のクラスタリング結果を監視して誤分類された入
力データを識別するクラスタリング結果監視装置３と、
誤分類された入力データを蓄積する蓄積手段８とを設
け、蓄積手段に一定数以上のデータが蓄積された場合
に、このデータを基に、クラスタ作成装置が新たなクラ
スタを作成するように構成している。入力データの動的
変化に対応してクラスタを修正し、誤分類を抑えること
ができる。
Description
【０００１】
【発明の属する技術分野】本発明は、多数のデータをそ
の類似性からクラスに分類するクラスタリング装置に関
し、特に、入力データの動的変化に適切に対応できるよ
うにしたものである。
の類似性からクラスに分類するクラスタリング装置に関
し、特に、入力データの動的変化に適切に対応できるよ
うにしたものである。
【０００２】
【従来の技術】従来、クラスタリング手法として、さま
ざまなものが提案されている。図６には、最も一般的な
クラスタリング装置の例を示している。
ざまなものが提案されている。図６には、最も一般的な
クラスタリング装置の例を示している。
【０００３】ここで、100は学習のためのプロトタイプ
データ群を示し、102、103は、プロトタイプデータ群の
個々のデータを初期クラスタとみなしたクラスタＡ、ク
ラスタＢを示し、104は、クラスタＡ102とクラスタＢ10
3との距離を示し、105はクラスタＡ102とクラスタＢ103
とを統合したクラスタＣを示す。200は、プロトタイプ
データから作成されたクラスタ結果を示し、201、202は
最終的に作成されたクラスタＹ、クラスタＺを示す。30
0は、クラスタを用いたクラスタリング装置を示し、301
は201とまったく同型のクラスタＹ、302は202とまった
く同型のクラスタＺを示し、303は、クラスタリングの
対象である入力Ｘを示し、304はクラスタが存在する空
間上の入力Ｘ303のポイントを示す。
データ群を示し、102、103は、プロトタイプデータ群の
個々のデータを初期クラスタとみなしたクラスタＡ、ク
ラスタＢを示し、104は、クラスタＡ102とクラスタＢ10
3との距離を示し、105はクラスタＡ102とクラスタＢ103
とを統合したクラスタＣを示す。200は、プロトタイプ
データから作成されたクラスタ結果を示し、201、202は
最終的に作成されたクラスタＹ、クラスタＺを示す。30
0は、クラスタを用いたクラスタリング装置を示し、301
は201とまったく同型のクラスタＹ、302は202とまった
く同型のクラスタＺを示し、303は、クラスタリングの
対象である入力Ｘを示し、304はクラスタが存在する空
間上の入力Ｘ303のポイントを示す。
【０００４】この装置では、まず、クラスタリング装置
に必要なクラスタを作成する。これは以下の作業により
求められる。
に必要なクラスタを作成する。これは以下の作業により
求められる。
【０００５】学習のためのプロトタイプデータ群100か
ら、最も距離の近いクラスタを探し、その結果、クラス
タＡ102とクラスタＢ103とが選ばれたとすると、この２
つを統合してクラスタＣ105とし、クラスタＡ、Ｂは削
除する。この時クラスタＣ105は、クラスタＡ102とクラ
スタＢ103との値を両方ともを持つ。次に、また同様に
プロトタイプデータ群100から、最も距離の近いクラス
タを探し、それらを統合する、という一連の作業を繰り
返す。この時、全クラスタ数が１になった場合や、最も
距離の近いクラスタ同士の距離が、ある一定値より大き
かった場合は、作業を終了する。
ら、最も距離の近いクラスタを探し、その結果、クラス
タＡ102とクラスタＢ103とが選ばれたとすると、この２
つを統合してクラスタＣ105とし、クラスタＡ、Ｂは削
除する。この時クラスタＣ105は、クラスタＡ102とクラ
スタＢ103との値を両方ともを持つ。次に、また同様に
プロトタイプデータ群100から、最も距離の近いクラス
タを探し、それらを統合する、という一連の作業を繰り
返す。この時、全クラスタ数が１になった場合や、最も
距離の近いクラスタ同士の距離が、ある一定値より大き
かった場合は、作業を終了する。
【０００６】この一連の作業により、プロトタイプデー
タから作成されたクラスタ結果200が求められ、最終的
に統合されたクラスタがクラスタＹ201、クラスタＺ202
となる。
タから作成されたクラスタ結果200が求められ、最終的
に統合されたクラスタがクラスタＹ201、クラスタＺ202
となる。
【０００７】これら最終的に統合されたクラスタを用
い、実際のクラスタリングを行うのがクラスタを用いた
クラスタリング装置300である。このクラスタを用いた
クラスタリング装置300に入力Ｘ303が入力された時、入
力Ｘ303がクラスタＹ301内に含まれる時、入力Ｘ303
は、クラスタＹ301にクラスタリングされたという結果
となる。
い、実際のクラスタリングを行うのがクラスタを用いた
クラスタリング装置300である。このクラスタを用いた
クラスタリング装置300に入力Ｘ303が入力された時、入
力Ｘ303がクラスタＹ301内に含まれる時、入力Ｘ303
は、クラスタＹ301にクラスタリングされたという結果
となる。
【０００８】また、クラスタリングに自己組織化マップ
（ＳＯＭ：Self-Oraganization Map、詳しくは、T.Koho
nen,"Self-Oraganization and Ａssociative Memory",T
hirdEdition, Springer-Verlag,Ｂerlin,1989に記載さ
れている。）と呼ばれるニューラルネットワークを用い
る手法も知られている（特開平７−２３４８５３号）。
この方法では、プロトタイプデータをＳＯＭに入力し
て、ＳＯＭを形成するニューロンを学習し、学習したニ
ューロンをクラスタに分類する。クラスタが形成された
後、ＳＯＭに入力データを与えると、その入力に近い値
を持つニューロンが決定され、入力データがクラスタリ
ングされる。
（ＳＯＭ：Self-Oraganization Map、詳しくは、T.Koho
nen,"Self-Oraganization and Ａssociative Memory",T
hirdEdition, Springer-Verlag,Ｂerlin,1989に記載さ
れている。）と呼ばれるニューラルネットワークを用い
る手法も知られている（特開平７−２３４８５３号）。
この方法では、プロトタイプデータをＳＯＭに入力し
て、ＳＯＭを形成するニューロンを学習し、学習したニ
ューロンをクラスタに分類する。クラスタが形成された
後、ＳＯＭに入力データを与えると、その入力に近い値
を持つニューロンが決定され、入力データがクラスタリ
ングされる。
【０００９】
【発明が解決しようとする課題】しかし、前述のような
クラスタリング手法では、プロトタイプデータを用いて
クラスタを形成しているので、プロトタイプデータにの
み偏ったクラスタが形成される。そのため、実際にこれ
らのクラスタを用いて実データのクラスタリングを行っ
た時、入力データの動的な変化に対応できない、と云う
問題点がある。
クラスタリング手法では、プロトタイプデータを用いて
クラスタを形成しているので、プロトタイプデータにの
み偏ったクラスタが形成される。そのため、実際にこれ
らのクラスタを用いて実データのクラスタリングを行っ
た時、入力データの動的な変化に対応できない、と云う
問題点がある。
【００１０】つまり、新たなクラスに属すべきデータ
が、時間の経過とともに生じた場合などに、従来の方法
では、全く対応ができず、いずれかのクラスタに誤分類
されることになる。
が、時間の経過とともに生じた場合などに、従来の方法
では、全く対応ができず、いずれかのクラスタに誤分類
されることになる。
【００１１】この誤分類を防ぐためには、従来の方式で
は、プロトタイプデータも含めて、すべてのデータを用
いてクラスタリングし直す必要があり、大きな作業負担
が強いられる。データを新たに追加した場合にクラスタ
の修正を行う方法が、特開平５−２０５０５８号に開示
されているが、これは、新たなデータを追加したことが
既知でなければならず、かつ外部からデータの追加によ
るクラスタの修正を実行することを知らせる必要があ
り、追加するデータを自動的に集めたり、クラスタを自
動的に修正することはできない。
は、プロトタイプデータも含めて、すべてのデータを用
いてクラスタリングし直す必要があり、大きな作業負担
が強いられる。データを新たに追加した場合にクラスタ
の修正を行う方法が、特開平５−２０５０５８号に開示
されているが、これは、新たなデータを追加したことが
既知でなければならず、かつ外部からデータの追加によ
るクラスタの修正を実行することを知らせる必要があ
り、追加するデータを自動的に集めたり、クラスタを自
動的に修正することはできない。
【００１２】本発明は、こうした従来の問題点を解決す
るものであり、簡単な構成と手順で、クラスタリングに
おけるデータの動的変化に対応することができるクラス
タリング装置を提供することを目的としている。
るものであり、簡単な構成と手順で、クラスタリングに
おけるデータの動的変化に対応することができるクラス
タリング装置を提供することを目的としている。
【００１３】
【課題を解決するための手段】そこで、本発明では、入
力データを、クラスタを用いて分類するクラスタリング
装置において、クラスタを作成するクラスタ作成装置
と、クラスタ作成装置により作成されたクラスタを用い
て、入力データのクラスタリングを実行するクラスタリ
ング実行装置と、クラスタリング実行装置のクラスタリ
ング結果を監視して誤分類された入力データを識別する
クラスタリング結果監視装置と、誤分類された入力デー
タを蓄積する蓄積手段とを設け、蓄積手段に一定数以上
のデータが蓄積された場合に、このデータを基に、クラ
スタ作成装置が新たなクラスタを作成するように構成し
ている。
力データを、クラスタを用いて分類するクラスタリング
装置において、クラスタを作成するクラスタ作成装置
と、クラスタ作成装置により作成されたクラスタを用い
て、入力データのクラスタリングを実行するクラスタリ
ング実行装置と、クラスタリング実行装置のクラスタリ
ング結果を監視して誤分類された入力データを識別する
クラスタリング結果監視装置と、誤分類された入力デー
タを蓄積する蓄積手段とを設け、蓄積手段に一定数以上
のデータが蓄積された場合に、このデータを基に、クラ
スタ作成装置が新たなクラスタを作成するように構成し
ている。
【００１４】そのため、入力データの動的変化に対応し
てクラスタを修正し、誤分類を抑えることができる。
てクラスタを修正し、誤分類を抑えることができる。
【００１５】
【発明の実施の形態】以下、本発明の実施の形態につい
て、図面を用いて説明する。なお、本発明はこれら実施
の形態に何等限定されるものではなく、その要旨を逸脱
しない範囲において種々なる態様で実施し得る。
て、図面を用いて説明する。なお、本発明はこれら実施
の形態に何等限定されるものではなく、その要旨を逸脱
しない範囲において種々なる態様で実施し得る。
【００１６】（第１の実施形態）第１の実施形態のクラ
スタリング装置は、図１に示すように、プロトタイプデ
ータを管理するプロトタイプデータＤＢ４と、プロトタ
イプデータを用いてクラスタ５を作成するクラスタ作成
装置１と、作成されたクラスタ５を用いて入力データ６
をクラスタリングするクラスタリング実行装置２と、ク
ラスタリング実行装置２のクラスタリング結果７を監視
するクラスタリング結果監視装置３と、クラスタリング
結果監視装置３によって誤分類と判断されたデータを管
理する誤分類入力データＤＢ８とを備えている。
スタリング装置は、図１に示すように、プロトタイプデ
ータを管理するプロトタイプデータＤＢ４と、プロトタ
イプデータを用いてクラスタ５を作成するクラスタ作成
装置１と、作成されたクラスタ５を用いて入力データ６
をクラスタリングするクラスタリング実行装置２と、ク
ラスタリング実行装置２のクラスタリング結果７を監視
するクラスタリング結果監視装置３と、クラスタリング
結果監視装置３によって誤分類と判断されたデータを管
理する誤分類入力データＤＢ８とを備えている。
【００１７】この装置では、クラスタ作成装置１が、プ
ロトタイプデータＤＢ４を用いてクラスタ５を生成す
る。クラスタリング実行装置２は、生成されたクラスタ
５を用いて、入力された入力データ６をクラスタリング
し、クラスタリング結果７を出力する。クラスタリング
結果監視装置３は、出力されたクラスタリング結果７を
監視し、入力データ６のクラスタリング結果７に含まれ
る誤差が、ある一定値以上の値であり、明らかに誤分類
であると判断した時、その入力データ６を誤分類入力デ
ータＤＢ８に追加し、誤分類入力データＤＢ８に溜まっ
たデータの数をカウントする。この誤分類入力データＤ
Ｂ８内のデータがある一定数を超えた時、クラスタ作成
装置１に、この誤分類入力データＤＢ８を用いて、クラ
スタを作成するように指示する。
ロトタイプデータＤＢ４を用いてクラスタ５を生成す
る。クラスタリング実行装置２は、生成されたクラスタ
５を用いて、入力された入力データ６をクラスタリング
し、クラスタリング結果７を出力する。クラスタリング
結果監視装置３は、出力されたクラスタリング結果７を
監視し、入力データ６のクラスタリング結果７に含まれ
る誤差が、ある一定値以上の値であり、明らかに誤分類
であると判断した時、その入力データ６を誤分類入力デ
ータＤＢ８に追加し、誤分類入力データＤＢ８に溜まっ
たデータの数をカウントする。この誤分類入力データＤ
Ｂ８内のデータがある一定数を超えた時、クラスタ作成
装置１に、この誤分類入力データＤＢ８を用いて、クラ
スタを作成するように指示する。
【００１８】各装置の動作をさらに詳しく説明する。ま
ず、クラスタ作成装置１は、クラスタ５が作成されてい
ない時と、クラスタリング結果監視装置３からクラスタ
の作成を指示された時に動作する。
ず、クラスタ作成装置１は、クラスタ５が作成されてい
ない時と、クラスタリング結果監視装置３からクラスタ
の作成を指示された時に動作する。
【００１９】クラスタ５が作成されていない時は、プロ
トタイプデータＤＢ４内のプロトタイプデータ群の個々
のデータを初期クラスタと見なし、その中から、最も距
離の近いクラスタを探す。この距離は図５の式１によっ
て求める。この時求められた２つのクラスタを統合し新
たなクラスタとする。統合されたクラスタは削除し、ま
た新たに作られたクラスタは、統合により削除されたク
ラスタの値をすべて持つ。同様にまたプロトタイプデー
タＤＢから、最も距離の近いクラスタを探し、それらを
統合する、という一連の作業を繰り返す。この時、全ク
ラスタ数が１になった場合や、最も距離の近いクラスタ
同士の距離が、ある一定値より大きかった場合は、作業
を終了する。
トタイプデータＤＢ４内のプロトタイプデータ群の個々
のデータを初期クラスタと見なし、その中から、最も距
離の近いクラスタを探す。この距離は図５の式１によっ
て求める。この時求められた２つのクラスタを統合し新
たなクラスタとする。統合されたクラスタは削除し、ま
た新たに作られたクラスタは、統合により削除されたク
ラスタの値をすべて持つ。同様にまたプロトタイプデー
タＤＢから、最も距離の近いクラスタを探し、それらを
統合する、という一連の作業を繰り返す。この時、全ク
ラスタ数が１になった場合や、最も距離の近いクラスタ
同士の距離が、ある一定値より大きかった場合は、作業
を終了する。
【００２０】この一連の作業により、プロトタイプデー
タ４から作成されたクラスタ５を作成する。
タ４から作成されたクラスタ５を作成する。
【００２１】次に、クラスタリング結果監視装置３から
クラスタ作成の指示を受けた時は、誤分類入力データＤ
Ｂ８を用い、クラスタ５を作成するのと同じ動作で、ク
ラスタを作成する。この時、作成されたクラスタで、ク
ラスタ内に含まれる値の数が一定以上のものを新たなク
ラスタとしてクラスタ５に加える。最後に、誤分類入力
データＤＢをクリアする。
クラスタ作成の指示を受けた時は、誤分類入力データＤ
Ｂ８を用い、クラスタ５を作成するのと同じ動作で、ク
ラスタを作成する。この時、作成されたクラスタで、ク
ラスタ内に含まれる値の数が一定以上のものを新たなク
ラスタとしてクラスタ５に加える。最後に、誤分類入力
データＤＢをクリアする。
【００２２】次に、クラスタリング実行装置２の動作に
ついて説明する。クラスタ作成装置１により作成された
クラスタ５を用いて、入力された入力データ６と、距離
の最も近いクラスタを選択する。この距離の計算は、図
５の式１によって求める。この時、選択されたクラスタ
と、誤差を表す、計算された距離とをクラスタリング結
果７として出力する。
ついて説明する。クラスタ作成装置１により作成された
クラスタ５を用いて、入力された入力データ６と、距離
の最も近いクラスタを選択する。この距離の計算は、図
５の式１によって求める。この時、選択されたクラスタ
と、誤差を表す、計算された距離とをクラスタリング結
果７として出力する。
【００２３】クラスタリング結果監視装置３は、出力さ
れたクラスタリング結果７に含まれる誤差、即ち、計算
された距離が、ある一定値以上の値である時、誤分類入
力データＤＢ８に入力データ６を追加しその数をカウン
トし、この誤分類入力データＤＢ８内のデータがある一
定数を超えた時、クラスタ作成装置１にこの誤分類入力
データＤＢ８を用いて、クラスタを作成するように指示
する。
れたクラスタリング結果７に含まれる誤差、即ち、計算
された距離が、ある一定値以上の値である時、誤分類入
力データＤＢ８に入力データ６を追加しその数をカウン
トし、この誤分類入力データＤＢ８内のデータがある一
定数を超えた時、クラスタ作成装置１にこの誤分類入力
データＤＢ８を用いて、クラスタを作成するように指示
する。
【００２４】以上のように、この実施形態のクラスタリ
ング装置では、稼動中にもクラスタの自動作成が可能で
あり、入力データの動的な変化に対応して自動的にクラ
スタを作成することができる。そのため、入力データの
動的な変化に起因する誤分類の発生が迅速に抑えられ
る。また、この装置では、クラスタの再作成が、実デー
タのクラスタリングの過程で誤分類データとして自動収
集されたデータのみを用いて行われるため、少ない負担
でクラスタの修正を実行することができる。
ング装置では、稼動中にもクラスタの自動作成が可能で
あり、入力データの動的な変化に対応して自動的にクラ
スタを作成することができる。そのため、入力データの
動的な変化に起因する誤分類の発生が迅速に抑えられ
る。また、この装置では、クラスタの再作成が、実デー
タのクラスタリングの過程で誤分類データとして自動収
集されたデータのみを用いて行われるため、少ない負担
でクラスタの修正を実行することができる。
【００２５】（第２の実施形態）第２の実施形態のクラ
スタリング装置は、自己組織化マップ（以下、ＳＯＭと
云う）を利用してクラスタを作成する。
スタリング装置は、自己組織化マップ（以下、ＳＯＭと
云う）を利用してクラスタを作成する。
【００２６】この装置は、図２に示すように、第１の実
施形態と同様、プロトタイプデータＤＢ４、クラスタ作
成装置１、クラスタリング実行装置２、クラスタリング
結果監視装置３及び誤分類入力データＤＢ８から成り、
クラスタ作成装置１は、プロトタイプデータを入力する
データ入力手段11と、ＳＯＭ９を作成するＳＯＭ作成手
段12と、ＳＯＭ９を用いてクラスタを生成するクラスタ
生成手段13とを備え、また、クラスタリング結果監視装
置３は、クラスタリング実行装置２のクラスタリング結
果７を監視するクラスタリング結果監視手段31と、誤分
類入力データＤＢ８のデータを用いてＳＯＭ10を作成す
るＳＯＭ修正手段32とを備えている。
施形態と同様、プロトタイプデータＤＢ４、クラスタ作
成装置１、クラスタリング実行装置２、クラスタリング
結果監視装置３及び誤分類入力データＤＢ８から成り、
クラスタ作成装置１は、プロトタイプデータを入力する
データ入力手段11と、ＳＯＭ９を作成するＳＯＭ作成手
段12と、ＳＯＭ９を用いてクラスタを生成するクラスタ
生成手段13とを備え、また、クラスタリング結果監視装
置３は、クラスタリング実行装置２のクラスタリング結
果７を監視するクラスタリング結果監視手段31と、誤分
類入力データＤＢ８のデータを用いてＳＯＭ10を作成す
るＳＯＭ修正手段32とを備えている。
【００２７】この装置では、クラスタ作成装置１のデー
タ入力手段11がプロトタイプデータＤＢ４からデータを
入力し、このデータを用いてＳＯＭ作成手段12がＳＯＭ
９を作成し、クラスタ生成手段13が、ＳＯＭ９を用いて
クラスタ５を生成する。クラスタリング実行装置２は、
生成されたクラスタ５を用いて入力された入力データ６
をクラスタリングし、クラスタリング結果７を出力す
る。クラスタリング結果監視装置３のクラスタリング結
果監視手段31は、出力されたクラスタリング結果７に含
まれる誤差が、ある一定値以上の値であり、明らかに誤
分類であると判断した時、誤分類入力データＤＢ８に入
力データ６を追加し、その数をカウントする。
タ入力手段11がプロトタイプデータＤＢ４からデータを
入力し、このデータを用いてＳＯＭ作成手段12がＳＯＭ
９を作成し、クラスタ生成手段13が、ＳＯＭ９を用いて
クラスタ５を生成する。クラスタリング実行装置２は、
生成されたクラスタ５を用いて入力された入力データ６
をクラスタリングし、クラスタリング結果７を出力す
る。クラスタリング結果監視装置３のクラスタリング結
果監視手段31は、出力されたクラスタリング結果７に含
まれる誤差が、ある一定値以上の値であり、明らかに誤
分類であると判断した時、誤分類入力データＤＢ８に入
力データ６を追加し、その数をカウントする。
【００２８】誤分類入力データＤＢ８内のデータがある
一定数を超えた時、ＳＯＭ修正手段32は、誤分類入力デ
ータＤＢ８のデータを入力として新たなＳＯＭ10を作成
し、クラスタ作成手段13にＳＯＭ10を用いたクラスタ作
成を指示する。これを受けて、クラスタ作成手段13は、
ＳＯＭ10を用いてクラスタを作成し、既に作成されてい
るクラスタ５に追加する。
一定数を超えた時、ＳＯＭ修正手段32は、誤分類入力デ
ータＤＢ８のデータを入力として新たなＳＯＭ10を作成
し、クラスタ作成手段13にＳＯＭ10を用いたクラスタ作
成を指示する。これを受けて、クラスタ作成手段13は、
ＳＯＭ10を用いてクラスタを作成し、既に作成されてい
るクラスタ５に追加する。
【００２９】次に、各部の動作についてさらに詳しく説
明する。まず、ＳＯＭ作成手段12の動作について説明す
る。
明する。まず、ＳＯＭ作成手段12の動作について説明す
る。
【００３０】ＳＯＭは、図４に示すように、２次元上に
配置されたニューロン402から形成され、各ニューロン
は、参照ベクトル403と呼ばれる入力と同じ次元のベク
トルを持つ。
配置されたニューロン402から形成され、各ニューロン
は、参照ベクトル403と呼ばれる入力と同じ次元のベク
トルを持つ。
【００３１】ＳＯＭ作成手段12は、図３のフローチャー
トに示す手順でＳＯＭを作成する。 ステップＡ１：学習回数Ｔを０にセットし、 ステップＡ２：図４のように２次元上に配置したニュー
ロンを作成し、各ニューロンに対し、入力と同じ次元の
参照ベクトルを乱数で与える。
トに示す手順でＳＯＭを作成する。 ステップＡ１：学習回数Ｔを０にセットし、 ステップＡ２：図４のように２次元上に配置したニュー
ロンを作成し、各ニューロンに対し、入力と同じ次元の
参照ベクトルを乱数で与える。
【００３２】ステップＡ３：データ入力手段11がプロト
タイプデータＤＢ４からランダムでデータを一つ取り出
す。
タイプデータＤＢ４からランダムでデータを一つ取り出
す。
【００３３】ステップＡ４：このデータに対して、図５
の式（２）を満たす参照ベクトルを持つニューロンＣを
決定する。
の式（２）を満たす参照ベクトルを持つニューロンＣを
決定する。
【００３４】ステップＡ５：ニューロンＣの近傍に位置
するニューロンの参照ベクトルを、図５の式（３）に従
って更新する。
するニューロンの参照ベクトルを、図５の式（３）に従
って更新する。
【００３５】ステップＡ６：学習回数Ｔが規定した回数
に達した場合には、 ステップＡ８：終了する。
に達した場合には、 ステップＡ８：終了する。
【００３６】ステップＡ６において、学習回数Ｔが規定
回数に達していない場合には、 ステップＡ７：学習回数Ｔの値を一つ増やし、ステップ
Ａ２に戻る。
回数に達していない場合には、 ステップＡ７：学習回数Ｔの値を一つ増やし、ステップ
Ａ２に戻る。
【００３７】次に、クラスタ生成手段13は、クラスタ５
が作成されていない時と、ＳＯＭ修正手段32からクラス
タの作成の指示を受けた時に動作する。
が作成されていない時と、ＳＯＭ修正手段32からクラス
タの作成の指示を受けた時に動作する。
【００３８】まず、クラスタ５が作成されていない時、
ＳＯＭ９を用いてクラスタ５を作成する。ＳＯＭ９の各
ニューロンに対し、図５の式（４）を満たす参照ベクト
ルを持つニューロンを選択し、選択されたニューロンを
初期クラスタと見なす。その中から、最も距離の近いク
ラスタを探す。この距離は図５の式（１）によって求め
る。この時求められた２つのクラスタを統合し新たなク
ラスタとする。統合されたクラスタは削除し、また新た
に作られたクラスタは、統合により削除されたクラスタ
の値をすべて持つ。同様にまた、最も距離の近いクラス
タを探し、それらを統合する、という一連の作業を繰り
返す。この時、全クラスタ数が１になった場合や、最も
距離の近いクラスタ同士の距離が、ある一定値より大き
かった場合は、作業を終了する。
ＳＯＭ９を用いてクラスタ５を作成する。ＳＯＭ９の各
ニューロンに対し、図５の式（４）を満たす参照ベクト
ルを持つニューロンを選択し、選択されたニューロンを
初期クラスタと見なす。その中から、最も距離の近いク
ラスタを探す。この距離は図５の式（１）によって求め
る。この時求められた２つのクラスタを統合し新たなク
ラスタとする。統合されたクラスタは削除し、また新た
に作られたクラスタは、統合により削除されたクラスタ
の値をすべて持つ。同様にまた、最も距離の近いクラス
タを探し、それらを統合する、という一連の作業を繰り
返す。この時、全クラスタ数が１になった場合や、最も
距離の近いクラスタ同士の距離が、ある一定値より大き
かった場合は、作業を終了する。
【００３９】また、ＳＯＭ修正手段32からクラスタの作
成の伝達を受けた時も同様に、ＳＯＭ10を用いてクラス
タを作成し、クラスタ５に追加をする。
成の伝達を受けた時も同様に、ＳＯＭ10を用いてクラス
タを作成し、クラスタ５に追加をする。
【００４０】クラスタリング実行装置２は、第１の実施
形態と同様、クラスタ５を用いて入力データ６をクラス
タリングし、クラスタリング結果７を出力する。クラス
タリング結果監視手段31は、出力されたクラスタリング
結果７に含まれる誤差が、ある一定値以上の値であり、
明らかに誤分類であると判断した時、誤分類入力データ
ＤＢ８に入力データ６を追加し、その数をカウントす
る。
形態と同様、クラスタ５を用いて入力データ６をクラス
タリングし、クラスタリング結果７を出力する。クラス
タリング結果監視手段31は、出力されたクラスタリング
結果７に含まれる誤差が、ある一定値以上の値であり、
明らかに誤分類であると判断した時、誤分類入力データ
ＤＢ８に入力データ６を追加し、その数をカウントす
る。
【００４１】この誤分類入力データＤＢ８内のデータが
ある一定数を超えた時、ＳＯＭ修正手段32は、誤分類入
力データＤＢ８のデータを入力として、図３のフローチ
ャートに従って、マップの大きさがＳＯＭ９の縦または
横のニューロンの数と等しい、小さいＳＯＭ10を作成す
る。そして、誤分類入力データＤＢ８をクリアし、クラ
スタ作成手段13にクラスタの作成を指示する。クラスタ
作成手段13は、前述するように、ＳＯＭ10を用いてクラ
スタを作成し、作成済みのクラスタ５に追加する。
ある一定数を超えた時、ＳＯＭ修正手段32は、誤分類入
力データＤＢ８のデータを入力として、図３のフローチ
ャートに従って、マップの大きさがＳＯＭ９の縦または
横のニューロンの数と等しい、小さいＳＯＭ10を作成す
る。そして、誤分類入力データＤＢ８をクリアし、クラ
スタ作成手段13にクラスタの作成を指示する。クラスタ
作成手段13は、前述するように、ＳＯＭ10を用いてクラ
スタを作成し、作成済みのクラスタ５に追加する。
【００４２】以上のように、この実施形態のクラスタリ
ング装置では、ＳＯＭを用いてクラスタリングを行って
いるため、既存のＳＯＭをそのまま適用することがで
き、さらに新たにクラスタを作成する際に非常に小さい
ＳＯＭを用いるので処理速度も高く、その実用的効果は
大きい。また、この新たなクラスタの作成には、実デー
タのクラスタリングの過程で誤分類データとして自動収
集されたものが使用されるため、この新たなクラスタの
作成により、入力データの動的な変化に対応することが
できる。
ング装置では、ＳＯＭを用いてクラスタリングを行って
いるため、既存のＳＯＭをそのまま適用することがで
き、さらに新たにクラスタを作成する際に非常に小さい
ＳＯＭを用いるので処理速度も高く、その実用的効果は
大きい。また、この新たなクラスタの作成には、実デー
タのクラスタリングの過程で誤分類データとして自動収
集されたものが使用されるため、この新たなクラスタの
作成により、入力データの動的な変化に対応することが
できる。
【００４３】
【発明の効果】以上の説明から明らかなように、本発明
のクラスタリング装置は、入力データの動的な変化に対
応して、新たなクラスタを速やかに作成することがで
き、入力データの動的な変化に起因する誤分類の発生を
抑えることが可能である。
のクラスタリング装置は、入力データの動的な変化に対
応して、新たなクラスタを速やかに作成することがで
き、入力データの動的な変化に起因する誤分類の発生を
抑えることが可能である。
【００４４】また、この新たなクラスタの作成は、クラ
スタリングを実行したときに、誤分類データとして自動
収集されたデータだけを用いて行われるため、その作成
負担は少なくて済む。
スタリングを実行したときに、誤分類データとして自動
収集されたデータだけを用いて行われるため、その作成
負担は少なくて済む。
【００４５】また、誤分類されたデータからクラスタを
直接作成する手段を持つ装置では、装置稼動中にもクラ
スタを自動で作成することが可能であり、入力データの
動的な変化に素早く対応できるという有利な効果が得ら
れる。
直接作成する手段を持つ装置では、装置稼動中にもクラ
スタを自動で作成することが可能であり、入力データの
動的な変化に素早く対応できるという有利な効果が得ら
れる。
【００４６】また、ＳＯＭを用いてクラスタリングする
装置では、既存のＳＯＭをそのまま適用することがで
き、また、新たにクラスタを作成する際には非常に小さ
いＳＯＭを用いるので処理速度も高いという有効な効果
が得られる。
装置では、既存のＳＯＭをそのまま適用することがで
き、また、新たにクラスタを作成する際には非常に小さ
いＳＯＭを用いるので処理速度も高いという有効な効果
が得られる。
【００４７】このことにより、本発明は、入力データが
時間的に変化するものをクラスタリングする装置に適用
して効果を発揮することができ、例えば、時間的に変化
する生徒の学習結果を入力データとして生徒を分類する
学習システムのクラスタリング装置や、インターネット
のホームページにアクセスする視聴者の嗜好性を調査す
るクラスタリング装置などに用いた場合に、極めて有効
である。
時間的に変化するものをクラスタリングする装置に適用
して効果を発揮することができ、例えば、時間的に変化
する生徒の学習結果を入力データとして生徒を分類する
学習システムのクラスタリング装置や、インターネット
のホームページにアクセスする視聴者の嗜好性を調査す
るクラスタリング装置などに用いた場合に、極めて有効
である。
【図１】本発明の第１の実施形態におけるクラスタリン
グ装置の構成を表すブロック図、
グ装置の構成を表すブロック図、
【図２】本発明の第２の実施形態におけるクラスタリン
グ装置の構成を示すブロック図、
グ装置の構成を示すブロック図、
【図３】第２の実施形態においてＳＯＭ作成の手順を示
すフローチャート、
すフローチャート、
【図４】ＳＯＭを視覚的に示す図、
【図５】数式を示す図、
【図６】従来のクラスタリング装置の一例を示す図であ
る。
る。
１ クラスタ作成装置 ２ クラスタリング実行装置 ３ クラスタリング結果監視装置 ４ プロトタイプデータＤＢ ５ クラスタ ６ 入力データ ７ クラスタリング結果 ８ 誤分類入力データＤＢ ９、10 ＳＯＭ 11 データ入力手段 12 ＳＯＭ作成手段 13 クラスタ生成手段 31 クラスタリング結果監視手段 32 ＳＯＭ修正手段 100 プロトタイプデータ群 102 クラスタＡ 103 クラスタＢ 104 距離 105 クラスタＣ 200 プロトタイプデータから作成されたクラスタ結果 201 クラスタＹ 202 クラスタＺ 300 クラスタを用いたクラスタリング装置 301 クラスタＹ 302 クラスタＺ 303 入力Ｘ 304 入力Ｘのポイント 401 ＳＯＭ 402 ニューロン 403 参照ベクトル
Claims (5)
- 【請求項１】 入力データを、クラスタを用いて分類す
るクラスタリング装置であって、 前記クラスタを作成するクラスタ作成装置と、 前記クラスタ作成装置により作成されたクラスタを用い
て、入力データのクラスタリングを実行するクラスタリ
ング実行装置と、 前記クラスタリング実行装置のクラスタリング結果を監
視して誤分類された入力データを識別するクラスタリン
グ結果監視装置と、 誤分類された前記入力データを蓄積する蓄積手段とを備
え、 前記蓄積手段に一定数以上のデータが蓄積された場合
に、前記データを基に、前記クラスタ作成装置が新たな
クラスタを作成することを特徴とするクラスタリング装
置。 - 【請求項２】 前記クラスタ作成装置は、前記蓄積手段
に一定数以上のデータが蓄積された場合に、前記データ
を用いて新たなクラスタを自動的に作成し、既に作成し
たクラスタに追加することを特徴とする請求項１に記載
のクラスタリング装置。 - 【請求項３】 前記クラスタリング結果に、クラスタリ
ングの誤差のデータが含まれることを特徴とする請求項
１に記載のクラスタリング装置。 - 【請求項４】 前記クラスタ作成装置は、プロトタイプ
データを入力として自己組織化マップを生成する自己組
織化マップ生成手段と、生成された前記自己組織化マッ
プを区分しクラスタを形成するクラスタ形成手段とを備
えることを特徴とする請求項１に記載のクラスタリング
装置。 - 【請求項５】 前記クラスタリング結果監視装置は、ク
ラスタリング結果を監視するクラスタリング結果監視手
段と、前記蓄積手段に一定数以上のデータが蓄積された
場合に、前記データを入力として自己組織化マップを生
成する自己組織化マップ修正手段とを備え、前記クラス
タ作成装置のクラスタ形成手段は、前記自己組織化マッ
プ修正手段が自己組織化マップを生成した場合、その自
己組織化マップを区分してクラスタを作成し、既に作成
したクラスタに追加することを特徴とする請求項４に記
載のクラスタリング装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000091863A JP2001283184A (ja) | 2000-03-29 | 2000-03-29 | クラスタリング装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000091863A JP2001283184A (ja) | 2000-03-29 | 2000-03-29 | クラスタリング装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2001283184A true JP2001283184A (ja) | 2001-10-12 |
Family
ID=18607278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000091863A Pending JP2001283184A (ja) | 2000-03-29 | 2000-03-29 | クラスタリング装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2001283184A (ja) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005182808A (ja) * | 2003-12-15 | 2005-07-07 | Microsoft Corp | 動的コンテンツクラスタリング |
| JP2005531059A (ja) * | 2002-06-24 | 2005-10-13 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | Ｔｖショーの集合のクラスタリングのために最善の初期集合を決定するよう様々な初期クラスタ集合を比較する方法 |
| JP2008181556A (ja) * | 2008-03-24 | 2008-08-07 | Glory Ltd | 特徴抽出方法 |
| US7574036B2 (en) | 2003-03-24 | 2009-08-11 | Fujifilm Corporation | Apparatus, program, and recording medium for learning data to form a self-organizing map comprised of reference vectors corresponding to features of an image and used for determining objects in an image |
| JP2014507716A (ja) * | 2011-01-25 | 2014-03-27 | アリババ・グループ・ホールディング・リミテッド | 分類された誤配置の識別 |
| JP7477744B2 (ja) | 2019-10-31 | 2024-05-02 | キヤノンマーケティングジャパン株式会社 | 情報処理装置、制御方法、プログラム |
-
2000
- 2000-03-29 JP JP2000091863A patent/JP2001283184A/ja active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005531059A (ja) * | 2002-06-24 | 2005-10-13 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | Ｔｖショーの集合のクラスタリングのために最善の初期集合を決定するよう様々な初期クラスタ集合を比較する方法 |
| US7574036B2 (en) | 2003-03-24 | 2009-08-11 | Fujifilm Corporation | Apparatus, program, and recording medium for learning data to form a self-organizing map comprised of reference vectors corresponding to features of an image and used for determining objects in an image |
| JP2005182808A (ja) * | 2003-12-15 | 2005-07-07 | Microsoft Corp | 動的コンテンツクラスタリング |
| JP4627656B2 (ja) * | 2003-12-15 | 2011-02-09 | マイクロソフト コーポレーション | 動的コンテンツクラスタリング |
| JP2008181556A (ja) * | 2008-03-24 | 2008-08-07 | Glory Ltd | 特徴抽出方法 |
| JP2014507716A (ja) * | 2011-01-25 | 2014-03-27 | アリババ・グループ・ホールディング・リミテッド | 分類された誤配置の識別 |
| JP7477744B2 (ja) | 2019-10-31 | 2024-05-02 | キヤノンマーケティングジャパン株式会社 | 情報処理装置、制御方法、プログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5870729A (en) | Self-organizing neural network for pattern classification | |
| US7792772B2 (en) | Method and system for optimizing configuration classification of software | |
| US8756207B2 (en) | Systems and methods for identifying potential duplicate entries in a database | |
| US20080232359A1 (en) | Fast packet filtering algorithm | |
| CN111640089A (zh) | 一种基于特征图中心点的缺陷检测方法及装置 | |
| CN114897163A (zh) | 预训练模型数据处理方法、电子设备及计算机存储介质 | |
| EP4163802A1 (en) | Knowledge graph construction method, apparatus and system and computer storage medium | |
| JP6973197B2 (ja) | データセット検証装置、データセット検証方法、およびデータセット検証プログラム | |
| JP2001283184A (ja) | クラスタリング装置 | |
| US11182267B2 (en) | Methods and systems to determine baseline event-type distributions of event sources and detect changes in behavior of event sources | |
| US20040030786A1 (en) | Method and system for eliminating redundant rules from a rule set | |
| CN115034220A (zh) | 一种异常日志检测方法、装置、电子设备及存储介质 | |
| US5347615A (en) | Rule generating and verifying apparatus for fuzzy control using temporary exclusion of a selected rule | |
| Boutilier | Correlated Action Effects in Decision Theoretic Regression. | |
| US6009194A (en) | Methods, systems and computer program products for analyzing information in forms using cell adjacency relationships | |
| EP0715256B1 (en) | Rule verifying apparatus and method for fuzzy inference | |
| JP3264253B2 (ja) | ドキュメント自動分類システム及び方法 | |
| CN114332561A (zh) | 超分辨率模型的训练方法、装置、设备及介质 | |
| JP2020187616A (ja) | プラント監視モデル作成装置、プラント監視モデル作成方法およびプラント監視モデル作成プログラム | |
| CN110647664A (zh) | 一种知识图谱中树图大规模更新方法、***、介质及设备 | |
| CN110083583A (zh) | 流式事件处理方法及装置 | |
| JPH03259368A (ja) | シミュレーションモデル生成方式 | |
| WO2023132048A1 (ja) | 生成方法、生成プログラム及び情報処理装置 | |
| JP2680419B2 (ja) | 文字認識装置 | |
| CN111860062A (zh) | 人脸识别样本处理方法及装置 |