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 |