JP3089572B2 - クラスタリング方法 - Google Patents
クラスタリング方法Info
- Publication number
- JP3089572B2 JP3089572B2 JP04034382A JP3438292A JP3089572B2 JP 3089572 B2 JP3089572 B2 JP 3089572B2 JP 04034382 A JP04034382 A JP 04034382A JP 3438292 A JP3438292 A JP 3438292A JP 3089572 B2 JP3089572 B2 JP 3089572B2
- Authority
- JP
- Japan
- Prior art keywords
- clustering
- data
- cluster
- clusters
- evaluation amount
- 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.)
- Expired - Lifetime
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)
- Complex Calculations (AREA)
- Image Analysis (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、パターン認識分野にお
けるクラスタリング方法、すなわち、複数のデータにお
いて類似したものどうしを１つのクラスタとしてまとめ
る方法に関連し、たとえば、特徴データから物体の種類
や形状を識別するような場面に適用できる方法に関する
ものにある。
けるクラスタリング方法、すなわち、複数のデータにお
いて類似したものどうしを１つのクラスタとしてまとめ
る方法に関連し、たとえば、特徴データから物体の種類
や形状を識別するような場面に適用できる方法に関する
ものにある。
【０００２】
【従来の技術】従来の代表的なクラスタリング方法とし
ては、融合法と再配置法とがある（画像処理ハンドブッ
ク、高木幹雄編、東京大学出版会、機能編「分類」）。
融合法は、データ間の類似度を両者の距離とし、距離が
最も近いものどうしを融合してクラスタを作っていくも
のである。再配置法は、初期状態として適当なクラスタ
を与え、そのメンバデータを組み替えて少しずつよりよ
いクラスタを求めていくものである。
ては、融合法と再配置法とがある（画像処理ハンドブッ
ク、高木幹雄編、東京大学出版会、機能編「分類」）。
融合法は、データ間の類似度を両者の距離とし、距離が
最も近いものどうしを融合してクラスタを作っていくも
のである。再配置法は、初期状態として適当なクラスタ
を与え、そのメンバデータを組み替えて少しずつよりよ
いクラスタを求めていくものである。
【０００３】
【発明が解決しようとする課題】上記の両方法では、
（１）あらかじめ最終的なクラスタの数が明確な場合の
み適用できたが、一般には最適なクラスタの数を見積も
れない場合が多い、（２）データが追加された場合、再
度始めから全データを用いてクラスタリングしなおす必
要があり、処理量が多く処理時間が長くなる傾向にあっ
た等の問題があった。本発明は上記事情を鑑みて考案さ
れたもので、最適なクラスタの数を決定し、さらに、デ
ータが追加されても必要に応じてクラスタを追加、融合
し、常に最適な数のクラスタを高速に求めることのでき
る方法を提供することにある。
（１）あらかじめ最終的なクラスタの数が明確な場合の
み適用できたが、一般には最適なクラスタの数を見積も
れない場合が多い、（２）データが追加された場合、再
度始めから全データを用いてクラスタリングしなおす必
要があり、処理量が多く処理時間が長くなる傾向にあっ
た等の問題があった。本発明は上記事情を鑑みて考案さ
れたもので、最適なクラスタの数を決定し、さらに、デ
ータが追加されても必要に応じてクラスタを追加、融合
し、常に最適な数のクラスタを高速に求めることのでき
る方法を提供することにある。
【０００４】
【課題を解決するための手段】上記課題を解決するため
に、本発明では、クラスタ数を設定し、複数のデータを
設定されたクラスタ数にクラスタリングし、各クラスタ
のデータメンバ数とデータの分散から最適なクラスタ数
の場合に最小となるようなクラスタリング状態評価量Ａ
を数３により求め、以下、クラスタ数を順次変更設定
し、上記のようにしてクラスタリング状態評価量Ａを求
め、各クラスタ数毎に求められたクラスタリング状態評
価量Ａの内の最も小さいクラスタリング状態評価量Ａを
判定し、該クラスタリング状態評価量Ａに対応するクラ
スタリングを最適なクラスタリングと決定する。また、
データが追加された場合、それによりクラスタが追加、
融合、または、現状維持となる状態を仮定し、それぞれ
の状態のクラスタリング状態評価量Ａを求め、求められ
たクラスタリング状態評価量Ａの内の最も小さいクラス
タリング状態評価量Ａを判定し、該クラスタリング状態
評価量Ａに対応するクラスタリングを最適なクラスタリ
ングと決定する。
に、本発明では、クラスタ数を設定し、複数のデータを
設定されたクラスタ数にクラスタリングし、各クラスタ
のデータメンバ数とデータの分散から最適なクラスタ数
の場合に最小となるようなクラスタリング状態評価量Ａ
を数３により求め、以下、クラスタ数を順次変更設定
し、上記のようにしてクラスタリング状態評価量Ａを求
め、各クラスタ数毎に求められたクラスタリング状態評
価量Ａの内の最も小さいクラスタリング状態評価量Ａを
判定し、該クラスタリング状態評価量Ａに対応するクラ
スタリングを最適なクラスタリングと決定する。また、
データが追加された場合、それによりクラスタが追加、
融合、または、現状維持となる状態を仮定し、それぞれ
の状態のクラスタリング状態評価量Ａを求め、求められ
たクラスタリング状態評価量Ａの内の最も小さいクラス
タリング状態評価量Ａを判定し、該クラスタリング状態
評価量Ａに対応するクラスタリングを最適なクラスタリ
ングと決定する。
【０００５】
【作用】上記数３によりクラスタリング状態評価量Ａを
計算し、最小のクラスタリング状態評価量Ａを選択する
ことで最適なクラスタ数を決定でき、データが追加され
た場合にも全データを用いて再度クラスタリング処理を
行なうことなく、既に求められた分散値等を用いて新た
なクラスタリング状態評価量Ａを求めることができるた
め、最適なクラスタリング状態をより速く得ることがで
きる。
計算し、最小のクラスタリング状態評価量Ａを選択する
ことで最適なクラスタ数を決定でき、データが追加され
た場合にも全データを用いて再度クラスタリング処理を
行なうことなく、既に求められた分散値等を用いて新た
なクラスタリング状態評価量Ａを求めることができるた
め、最適なクラスタリング状態をより速く得ることがで
きる。
【０００６】
【実施例】以下、本発明の実施例を図１、図２、図３、
図４、図５、図６を用いて説明する。本実施例は、具体
例として例えば、ベルトコンベアにより製品を構成する
部品を搬送し、ベルトコンベアの上部に撮像管を配置
し、撮像管により撮像した部品の映像（シルエット像）
からシルエット像の輪郭線の長さ、即ち、周囲長と、シ
ルエット像の面積等の物理データを得、この物理データ
を用いて製品の種類を決定する課題に本発明を適用した
ものであり、新たな製品の分類が課された場合にも適応
的にクラスタを追加し、それぞれの分類が可能となるこ
とを説明する。図６には部品のシルエット像の例を示
す。
図４、図５、図６を用いて説明する。本実施例は、具体
例として例えば、ベルトコンベアにより製品を構成する
部品を搬送し、ベルトコンベアの上部に撮像管を配置
し、撮像管により撮像した部品の映像（シルエット像）
からシルエット像の輪郭線の長さ、即ち、周囲長と、シ
ルエット像の面積等の物理データを得、この物理データ
を用いて製品の種類を決定する課題に本発明を適用した
ものであり、新たな製品の分類が課された場合にも適応
的にクラスタを追加し、それぞれの分類が可能となるこ
とを説明する。図６には部品のシルエット像の例を示
す。
【０００７】まず、予め与えられたデータを用いて学習
としてのクラスタリングを行ない、最適なクラスタリン
グを決定するための方法を図２を用いて説明する。この
方法は、基本的には、１個からＮ個にクラスタリングし
た場合それぞれのクラスタリング状態評価量Ａ（以下、
評価量Ａという）を計算し、最も小さい評価量Ａの場合
のクラスタ数のクラスタリングを最良の結果とするもの
である。
としてのクラスタリングを行ない、最適なクラスタリン
グを決定するための方法を図２を用いて説明する。この
方法は、基本的には、１個からＮ個にクラスタリングし
た場合それぞれのクラスタリング状態評価量Ａ（以下、
評価量Ａという）を計算し、最も小さい評価量Ａの場合
のクラスタ数のクラスタリングを最良の結果とするもの
である。
【０００８】ステップ９では、クラスタ数ＩをＩ＝１に
設定すると共に、最大クラスタ数Ｎを設定する。ステッ
プ１０からステップ１２では最初にクラスタ数Ｉ＝１に
ついて処理を行ない、ステップ１３では該処理おけるク
ラスタ数が最大クラスタ数Ｎに達しているか否かを判定
し、達していなければＩをＩ＋１にしてステップ１０に
戻り、達していればステップ１４に進む。
設定すると共に、最大クラスタ数Ｎを設定する。ステッ
プ１０からステップ１２では最初にクラスタ数Ｉ＝１に
ついて処理を行ない、ステップ１３では該処理おけるク
ラスタ数が最大クラスタ数Ｎに達しているか否かを判定
し、達していなければＩをＩ＋１にしてステップ１０に
戻り、達していればステップ１４に進む。
【０００９】ステップ１０のクラスタリング実行部では
図３のフローで示した処理によりクラスタリングを行な
う。クラスタリングは最初クラスタ数Ｉ＝１について行
ない、順次Ｉの値を変化させ、Ｉ＝Ｎまで行なう。
図３のフローで示した処理によりクラスタリングを行な
う。クラスタリングは最初クラスタ数Ｉ＝１について行
ない、順次Ｉの値を変化させ、Ｉ＝Ｎまで行なう。
【００１０】図３のステップ１５は全サンプルデータ
（メモリ内に格納されている）の分布中心付近にランダ
ムに標準データ（最初は１個）を配置するステップであ
り、配置された標準データの値はメモリに記憶される。
（メモリ内に格納されている）の分布中心付近にランダ
ムに標準データ（最初は１個）を配置するステップであ
り、配置された標準データの値はメモリに記憶される。
【００１１】ステップ１６は各サンプルデータとＩ個の
標準データ（最初はＩ＝１であるので標準データは１
個）とのそれぞれの距離を求め、サンプルデータ毎に最
も近い距離の標準データを決定し、それによってそれぞ
れの標準データを代表とする各クラスタに属するサンプ
ルデータを求めるステップであり、メモリ中の各サンプ
ルデータ毎に対応する標準データとの関係が記憶され
る。
標準データ（最初はＩ＝１であるので標準データは１
個）とのそれぞれの距離を求め、サンプルデータ毎に最
も近い距離の標準データを決定し、それによってそれぞ
れの標準データを代表とする各クラスタに属するサンプ
ルデータを求めるステップであり、メモリ中の各サンプ
ルデータ毎に対応する標準データとの関係が記憶され
る。
【００１２】ステップ１７は、数１で表される各標準デ
ータとそのクラスタに属するサンプルデータ（メンバ）
との誤差Ｅを求めるステップである。誤差Ｅ計算式であ
る数１で表される誤差Ｅの具体的な意味は、クラスごと
に各サンプルと標準データの距離の平均値を求め、それ
ぞれのクラスの平均値を加算したものである。従って、
各標準データの位置が良い場合には、誤差Ｅは小さな値
となる。
ータとそのクラスタに属するサンプルデータ（メンバ）
との誤差Ｅを求めるステップである。誤差Ｅ計算式であ
る数１で表される誤差Ｅの具体的な意味は、クラスごと
に各サンプルと標準データの距離の平均値を求め、それ
ぞれのクラスの平均値を加算したものである。従って、
各標準データの位置が良い場合には、誤差Ｅは小さな値
となる。
【００１３】
【数１】
【００１４】ステップ１８は、今回の誤差を誤差Ｅ
（ｔ）とし、既に求められ記憶されている前回の誤差を
誤差Ｅ（ｔ−１）として、誤差Ｅ（ｔ−１）と誤差Ｅ
（ｔ）との差が小さな値として予め設定された一定値よ
り小さいかどうかを判定するステップである。
（ｔ）とし、既に求められ記憶されている前回の誤差を
誤差Ｅ（ｔ−１）として、誤差Ｅ（ｔ−１）と誤差Ｅ
（ｔ）との差が小さな値として予め設定された一定値よ
り小さいかどうかを判定するステップである。
【００１５】ステップ１９は、ステップ１８の判定によ
り上記の誤差の差が一定値より大きい場合に数２にした
がって各標準データを移動させ、ステップ１６に戻るス
テップである。数２は標準データ変更式であり、標準デ
ータの変更の仕方を表現したものであり、右辺の第２項
が変更量である。これは誤差曲面の最急降下方向への変
更を意味しており、この変更により標準データは誤差Ｅ
が減る方向に移動することになる。
り上記の誤差の差が一定値より大きい場合に数２にした
がって各標準データを移動させ、ステップ１６に戻るス
テップである。数２は標準データ変更式であり、標準デ
ータの変更の仕方を表現したものであり、右辺の第２項
が変更量である。これは誤差曲面の最急降下方向への変
更を意味しており、この変更により標準データは誤差Ｅ
が減る方向に移動することになる。
【００１６】
【数２】
【００１７】ステップ１８の判定により上記の誤差の差
が一定値より小さくなった場合は、その時の各標準デー
タを最終の標準データ、各サンプルデータはそれに最も
近い標準データのクラスタに属しているものとして処理
を終了する。
が一定値より小さくなった場合は、その時の各標準デー
タを最終の標準データ、各サンプルデータはそれに最も
近い標準データのクラスタに属しているものとして処理
を終了する。
【００１８】説明を図２のフローに戻して、ステップ１
１では上述した図３の処理を行なうステップ１０のクラ
スタリング実行部により得られたＩ個のクラスタの各ク
ラスタに属すメンバ（サンプルデータ）数とそのメンバ
の分散値を各クラスタ毎に求める。ステップ１２ではス
テップ１１で求めた分散値により、クラスタリング状態
評価量Ａ計算式である数３で表される評価量Ａの計算を
行なう。数３は、評価量Ａの具体的な計算式を表現した
もので、４項からなる。この評価量Ａが小さくなるため
に要求されることは、第１項のクラスタのメンバ数が大
きくなり、第２項の分散値が小さくなることである。こ
の要求は、一般には、相反するものであるため、両者が
バランスした点の最適ケースが求まることになる。な
お、第３項と第４項は補正項である。
１では上述した図３の処理を行なうステップ１０のクラ
スタリング実行部により得られたＩ個のクラスタの各ク
ラスタに属すメンバ（サンプルデータ）数とそのメンバ
の分散値を各クラスタ毎に求める。ステップ１２ではス
テップ１１で求めた分散値により、クラスタリング状態
評価量Ａ計算式である数３で表される評価量Ａの計算を
行なう。数３は、評価量Ａの具体的な計算式を表現した
もので、４項からなる。この評価量Ａが小さくなるため
に要求されることは、第１項のクラスタのメンバ数が大
きくなり、第２項の分散値が小さくなることである。こ
の要求は、一般には、相反するものであるため、両者が
バランスした点の最適ケースが求まることになる。な
お、第３項と第４項は補正項である。
【００１９】
【数３】
【００２０】ステップ１３では、前述したようにクラス
タ数が最大クラスタ数Ｎに達しているか否かを判定し、
達していなければＩをＩ＋１にしてステップ１０に戻
り、達していればステップ１４に進む。そして、ステッ
プ１４では、得られた各クラスタ対応の評価量Ａの内の
最も小さい評価量Ａを選択し、選択された評価量Ａの場
合のクラスタ数のクラスタリングを最良の結果とするも
のである。
タ数が最大クラスタ数Ｎに達しているか否かを判定し、
達していなければＩをＩ＋１にしてステップ１０に戻
り、達していればステップ１４に進む。そして、ステッ
プ１４では、得られた各クラスタ対応の評価量Ａの内の
最も小さい評価量Ａを選択し、選択された評価量Ａの場
合のクラスタ数のクラスタリングを最良の結果とするも
のである。
【００２１】図４は、以上説明した方法で最適なクラス
タリングを決定する過程を実際の物理データである前述
したシルエット像の周囲長と、面積を用いて示したもの
である。図４の（ａ）はクラスタリングを行う２次元デ
ータ（シルエット像の周囲長と面積）の分布状態を示し
ている。図４の（ｂ）〜（ｆ）はクラスタリングをクラ
スタ個数（Ｉ＝２〜６）に従って実行した結果とそれぞ
れの場合の評価量Ａの値を示したものである。各図内の
（・）が各クラスタの中心を表す標準データである。図
から明らかのように、評価量Ａを比較すると、４個のク
ラスタにクラスタリングしたものが最適であり、これは
データ分布からの人間の判断と一致している。
タリングを決定する過程を実際の物理データである前述
したシルエット像の周囲長と、面積を用いて示したもの
である。図４の（ａ）はクラスタリングを行う２次元デ
ータ（シルエット像の周囲長と面積）の分布状態を示し
ている。図４の（ｂ）〜（ｆ）はクラスタリングをクラ
スタ個数（Ｉ＝２〜６）に従って実行した結果とそれぞ
れの場合の評価量Ａの値を示したものである。各図内の
（・）が各クラスタの中心を表す標準データである。図
から明らかのように、評価量Ａを比較すると、４個のク
ラスタにクラスタリングしたものが最適であり、これは
データ分布からの人間の判断と一致している。
【００２２】このようにして最適なクラスタリングが行
なわれた後、各部品を種類別に種分けを行なう場合に
は、ベルトコンベアにより部品を搬送し、ベルトコンベ
アの上部に配置した撮像管により部品を撮像し、部品の
シルエット像の周囲長と、面積の物理データを得、この
物理データと最も距離の小さな標準データを決定し、こ
の標準データに対応するクラスタに与えられた部品の種
類を撮像された部品の種類として決定する。
なわれた後、各部品を種類別に種分けを行なう場合に
は、ベルトコンベアにより部品を搬送し、ベルトコンベ
アの上部に配置した撮像管により部品を撮像し、部品の
シルエット像の周囲長と、面積の物理データを得、この
物理データと最も距離の小さな標準データを決定し、こ
の標準データに対応するクラスタに与えられた部品の種
類を撮像された部品の種類として決定する。
【００２３】次に、データが追加された場合に，最適な
クラスタリングの状態に変更する方法を図１と図５を用
いて説明する。図５の（ａ）は、初期のクラスタリング
状態である。このクラスタリングは先に説明した方法で
得ることができる。図５の（ａ）の（・）は各クラスタ
の標準データを示している。ここで、ｎ1、ｎ2、ｎ3を
各クラスタＣ１、Ｃ２、Ｃ３の所属メンバ数、（Ｖ11，
Ｖ12）、（Ｖ21，Ｖ22）、（Ｖ31，Ｖ32）を各クラスタ
の各座標毎の分散値とする。
クラスタリングの状態に変更する方法を図１と図５を用
いて説明する。図５の（ａ）は、初期のクラスタリング
状態である。このクラスタリングは先に説明した方法で
得ることができる。図５の（ａ）の（・）は各クラスタ
の標準データを示している。ここで、ｎ1、ｎ2、ｎ3を
各クラスタＣ１、Ｃ２、Ｃ３の所属メンバ数、（Ｖ11，
Ｖ12）、（Ｖ21，Ｖ22）、（Ｖ31，Ｖ32）を各クラスタ
の各座標毎の分散値とする。
【００２４】まず、ステップ１にて、追加された入力デ
ータｐに最も近いクラスタを、各クラスタの標準データ
（・）との距離計算で求める。本例の場合は、クラスタ
Ｃ１となるので、入力データはクラスタＣ１に所属する
と仮定する。この場合、クラスタＣ１の所属メンバ数は
ｎ1＋１となり、前の分散値（Ｖ11，Ｖ12）、所属メン
バ数ｎ1、クラスタの総メンバの各座標の２乗和のみを
記憶しておけば、新分散値を求めることができる（新分
散値を求めるためには既に知られた公式を用いればよ
い）。そこで、ステップ２にて、クラスタＣ１の新所属
メンバ数と新分散値、他のクラスタの所属メンバ数と分
散値を数３に代入して、評価量Ａ１を求める。図５の
（ｂ）はこの仮定でのクラスタリング状態と評価量Ａ１
を示したものである。
ータｐに最も近いクラスタを、各クラスタの標準データ
（・）との距離計算で求める。本例の場合は、クラスタ
Ｃ１となるので、入力データはクラスタＣ１に所属する
と仮定する。この場合、クラスタＣ１の所属メンバ数は
ｎ1＋１となり、前の分散値（Ｖ11，Ｖ12）、所属メン
バ数ｎ1、クラスタの総メンバの各座標の２乗和のみを
記憶しておけば、新分散値を求めることができる（新分
散値を求めるためには既に知られた公式を用いればよ
い）。そこで、ステップ２にて、クラスタＣ１の新所属
メンバ数と新分散値、他のクラスタの所属メンバ数と分
散値を数３に代入して、評価量Ａ１を求める。図５の
（ｂ）はこの仮定でのクラスタリング状態と評価量Ａ１
を示したものである。
【００２５】ステップ３、４では、最短クラスタＣ１の
メンバに入力データを追加したものを、図３で説明した
方法で２つにクラスタリングする。このときにはこれら
２つの新クラスタの所属メンバ数ｎ1'、ｎ1''と分散値
（Ｖ11'，Ｖ12'）（Ｖ11''，Ｖ12''）が求まっているの
で、それらと他のクラスタＣ２とＣ３の所属メンバ数と
分散値を利用してステップ５にて評価量Ａ２が容易に計
算できる。図５の（ｃ）はこの仮定でのクラスタリング
状態と評価量Ａ２を示したものである。
メンバに入力データを追加したものを、図３で説明した
方法で２つにクラスタリングする。このときにはこれら
２つの新クラスタの所属メンバ数ｎ1'、ｎ1''と分散値
（Ｖ11'，Ｖ12'）（Ｖ11''，Ｖ12''）が求まっているの
で、それらと他のクラスタＣ２とＣ３の所属メンバ数と
分散値を利用してステップ５にて評価量Ａ２が容易に計
算できる。図５の（ｃ）はこの仮定でのクラスタリング
状態と評価量Ａ２を示したものである。
【００２６】ステップ６では、追加された入力データｐ
に最も近いクラスタ（Ｃ１）と次に近いクラスタ（Ｃ
２）を求め、それらの融合クラスタに入力データが所属
していると仮定する。この場合も、新クラスタＣ１２の
所属メンバ数はｎ1＋ｎ2＋１となり、前の分散値
（Ｖ11，Ｖ12）と（Ｖ21，Ｖ22）、所属メンバ数ｎ1と
ｎ2、それぞれのクラスタの総メンバの各座標の２乗和
のみを記憶しておけば、新分散値を求めることができ
る。そこで、ステップ７にて、クラスタＣ１２の新所属
メンバ数と新分散値、他のクラスタＣ３の所属メンバ数
と分散値を数３に代入して、評価量Ａ３を求める。図５
の（ｄ）はこの場合でのクラスタリング状態と評価量Ａ
３を示したものである。
に最も近いクラスタ（Ｃ１）と次に近いクラスタ（Ｃ
２）を求め、それらの融合クラスタに入力データが所属
していると仮定する。この場合も、新クラスタＣ１２の
所属メンバ数はｎ1＋ｎ2＋１となり、前の分散値
（Ｖ11，Ｖ12）と（Ｖ21，Ｖ22）、所属メンバ数ｎ1と
ｎ2、それぞれのクラスタの総メンバの各座標の２乗和
のみを記憶しておけば、新分散値を求めることができ
る。そこで、ステップ７にて、クラスタＣ１２の新所属
メンバ数と新分散値、他のクラスタＣ３の所属メンバ数
と分散値を数３に代入して、評価量Ａ３を求める。図５
の（ｄ）はこの場合でのクラスタリング状態と評価量Ａ
３を示したものである。
【００２７】ステップ８では、求めた評価量Ａ１、Ａ
２、Ａ３の内最小のものを求め、その場合のクラスタリ
ングを最適なものとして選択する。本例の場合は、図５
の（ｂ）のクラスタリング結果が選択される。図５の
（ｅ）は追加データが多数になった場合の結果を示した
もので、新しいクラスタＣ４が追加されていることが分
かる。
２、Ａ３の内最小のものを求め、その場合のクラスタリ
ングを最適なものとして選択する。本例の場合は、図５
の（ｂ）のクラスタリング結果が選択される。図５の
（ｅ）は追加データが多数になった場合の結果を示した
もので、新しいクラスタＣ４が追加されていることが分
かる。
【００２８】以上説明した方法によれば、データが追加
された場合に、再度すべてのデータを使用したクラスタ
リングを実行しないで、追加データの周囲のデータのみ
を使用しながら最適なクラスタリング状態を得ることが
できる。次に、本発明を適用した上記実施例を実施する
システム構成について、図７を用いて説明する。１は撮
像装置、２はクラスタリング部、３は判定部、４は画像
処理部、５は記憶部、６はＣＰＵである。記憶部５はサ
ンプルデータ、標準データを記憶し、ＣＰＵ６はシステ
ム全体の制御、すなわち、画像の採り込み、クラスタリ
ング部２、判定部３、画像処理部４および記憶部５の起
動などを制御する。
された場合に、再度すべてのデータを使用したクラスタ
リングを実行しないで、追加データの周囲のデータのみ
を使用しながら最適なクラスタリング状態を得ることが
できる。次に、本発明を適用した上記実施例を実施する
システム構成について、図７を用いて説明する。１は撮
像装置、２はクラスタリング部、３は判定部、４は画像
処理部、５は記憶部、６はＣＰＵである。記憶部５はサ
ンプルデータ、標準データを記憶し、ＣＰＵ６はシステ
ム全体の制御、すなわち、画像の採り込み、クラスタリ
ング部２、判定部３、画像処理部４および記憶部５の起
動などを制御する。
【００２９】予め学習用の部品のシルエット像である画
像データを撮像装置から入力し、画像処理部４でシルエ
ット像の周囲長、面積を求め、サンプルデータとして記
憶部５に格納する。クラスタリング部２では、記憶部５
に格納されたサンプルデータを用いて、図２のフローで
示されたクラスタリング処理により標準データを作成し
て記憶部５に格納する。
像データを撮像装置から入力し、画像処理部４でシルエ
ット像の周囲長、面積を求め、サンプルデータとして記
憶部５に格納する。クラスタリング部２では、記憶部５
に格納されたサンプルデータを用いて、図２のフローで
示されたクラスタリング処理により標準データを作成し
て記憶部５に格納する。
【００３０】実際に、部品の種類を判定する判定時に
は、撮像装置１から未知種類の部品のシルエット像を採
り込み、画像処理部４でシルエット像の周囲長、面積の
データを求め、判定部で該データと記憶部５に格納され
ている各標準データとの距離を求め、最短の距離となる
標準データに対応する部品の種類を未知種類の部品の種
類として決定する。
は、撮像装置１から未知種類の部品のシルエット像を採
り込み、画像処理部４でシルエット像の周囲長、面積の
データを求め、判定部で該データと記憶部５に格納され
ている各標準データとの距離を求め、最短の距離となる
標準データに対応する部品の種類を未知種類の部品の種
類として決定する。
【００３１】なお、本例では、図示の都合上、３つの２
次元データのクラスタの例をあげて説明したが、より多
くの多次元データの場合にも当然適用できる。さらに、
本実施例では製品の２つの静的な物理量（周囲長と面
積）から製品の種類を判定する例で説明したが、例え
ば、データグローブ等の複数のセンサーから得られる動
的な時系列データのクラスタリングにも適用できる。こ
の場合、１センサーを１次元と考えると、各時刻の複数
センサーからのデータは多次元空間上の一点で表現され
るので、そのデータ群をクラスタリングすることで典型
的なデータ（データグローブの場合には指形状）を自動
検出することができることになる。
次元データのクラスタの例をあげて説明したが、より多
くの多次元データの場合にも当然適用できる。さらに、
本実施例では製品の２つの静的な物理量（周囲長と面
積）から製品の種類を判定する例で説明したが、例え
ば、データグローブ等の複数のセンサーから得られる動
的な時系列データのクラスタリングにも適用できる。こ
の場合、１センサーを１次元と考えると、各時刻の複数
センサーからのデータは多次元空間上の一点で表現され
るので、そのデータ群をクラスタリングすることで典型
的なデータ（データグローブの場合には指形状）を自動
検出することができることになる。
【００３２】
【発明の効果】以上、実施例で説明したように、本発明
では、人間の最適クラスタリング結果の場合に対して最
小値をとるような、クラスタリング状態を評価する評価
量Ａを定義し、その量が最小となるように常にクラスタ
数を決定するようにしている。したがって、クラスタ数
が推測できない対象にも適用できる。また、データが追
加された場合にも、再度すべてのデータを使用したクラ
スタリングを実行せずに追加データの周囲のデータのみ
を使用することによりクラスタリングを可能とすること
ができ、より少ない処理量で高速に最適なクラスタリン
グ状態を得ることができる。
では、人間の最適クラスタリング結果の場合に対して最
小値をとるような、クラスタリング状態を評価する評価
量Ａを定義し、その量が最小となるように常にクラスタ
数を決定するようにしている。したがって、クラスタ数
が推測できない対象にも適用できる。また、データが追
加された場合にも、再度すべてのデータを使用したクラ
スタリングを実行せずに追加データの周囲のデータのみ
を使用することによりクラスタリングを可能とすること
ができ、より少ない処理量で高速に最適なクラスタリン
グ状態を得ることができる。
【図１】データが追加された場合に最適なクラスタリン
グの状態に変更する方法を説明するためのフローチャー
ト図である。
グの状態に変更する方法を説明するためのフローチャー
ト図である。
【図２】最適なクラスタリングを決定するための方法を
説明するためのフローチャート図である。
説明するためのフローチャート図である。
【図３】クラスタリングを行なう方法を説明するための
フローチャート図である。
フローチャート図である。
【図４】最適なクラスタリングを決定する過程および各
クラスタリング状態評価量Ａを実際の物理データを用い
て示した図である。
クラスタリング状態評価量Ａを実際の物理データを用い
て示した図である。
【図５】既に決定しているクラスタリングにおいて、さ
らにデータが追加された場合の最適なクラスタリングを
決定する過程および各クラスタリング状態評価量Ａを実
際の物理データを用いて示した図である。
らにデータが追加された場合の最適なクラスタリングを
決定する過程および各クラスタリング状態評価量Ａを実
際の物理データを用いて示した図である。
【図６】部品のシルエット像の例を示す図である。
【図７】本発明を適用した実施例を実施するためのシス
テム構成を示す図である。
テム構成を示す図である。
Claims (4)
- 【請求項１】 複数のデータをクラスタリングする方法
において、クラスタ数を順次変更設定し、設定された各
クラスタ数毎に、複数のデータをクラスタ数にクラスタ
リングし、各クラスタのデータメンバ数とデータの分散
から最適なクラスタ数の場合に最小となるようなクラス
タリング状態評価量Ａを求め、各クラスタ数毎に求めら
れたクラスタリング状態評価量Ａの内の最も小さいクラ
スタリング状態評価量Ａを判定し、該クラスタリング状
態評価量Ａに対応するクラスタリングを最適なクラスタ
リングと決定することを特徴とするクラスタリング方
法。 - 【請求項２】 請求項１記載のクラスタリング方法によ
り決定されたクラスタリングの対象となつた複数のデー
タに更にデータが追加されたときのクラスタリング方法
であって、データの追加に対してクラスタが追加、融
合、または、現状維持となる状態を仮定し、それぞれの
状態のクラスタリング状態評価量Ａを求め、求められた
クラスタリング状態評価量Ａの内の最も小さいクラスタ
リング状態評価量Ａを判定し、該クラスタリング状態評
価量Ａに対応するクラスタリングを最適なクラスタリン
グと決定することを特徴とするクラスタリング方法。 - 【請求項３】 請求項１記載のクラスタリング方法によ
り決定されたクラスタリングの対象となつた複数のデー
タに更にデータが追加されたときのクラスタリング方法
であって、追加データがそのデータの最短クラスタ内に
所属し、そのクラスタを１つのクラスタと仮定して得た
クラスタリング状態評価量Ａ１と、追加データが最短ク
ラスタに所属し、そのクラスタを２つのクラスタにクラ
スタリングした場合のクラスタリング状態評価量Ａ２
と、追加データが最短クラスタと準最短クラスタを加え
た１つのクラスタに所属していると仮定して得たクラス
タリング状態評価量Ａ３を求め、求められたクラスタリ
ング状態評価量Ａ１、Ａ２、Ａ３の内の最も小さいクラ
スタリング状態評価量Ａを判定し、該クラスタリング状
態評価量Ａに対応するクラスタリングを最適なクラスタ
リングと決定することを特徴とするクラスタリング方
法。 - 【請求項４】 請求項１ないし請求項３記載のいずれか
の請求項記載のクラスタリング方法において、複数のデ
ータをクラスタ数にクラスタリングする場合、クラスタ
数と同数の標準データを順次変更配置し、データと各標
準データ間の距離を求め、データと最短距離にある標準
データに該データは属するとして誤差Ｅを求め、前回の
標準データの配置での誤差Ｅとの差が所定一定値より大
のとき標準データの移動を行ない再度誤差Ｅおよび前記
差を求め、該差が所定一定値より小のときクラスタリン
グを決定するようにしたことを特徴とするクラスタリン
グ方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP04034382A JP3089572B2 (ja) | 1992-01-24 | 1992-01-24 | クラスタリング方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP04034382A JP3089572B2 (ja) | 1992-01-24 | 1992-01-24 | クラスタリング方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH05205058A JPH05205058A (ja) | 1993-08-13 |
| JP3089572B2 true JP3089572B2 (ja) | 2000-09-18 |
Family
ID=12412622
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP04034382A Expired - Lifetime JP3089572B2 (ja) | 1992-01-24 | 1992-01-24 | クラスタリング方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3089572B2 (ja) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3745783B2 (ja) * | 1994-06-08 | 2006-02-15 | 株式会社アドイン研究所 | パターン分類装置及びこの装置を利用する状態監視システム |
| US6216066B1 (en) * | 1998-07-01 | 2001-04-10 | General Electric Company | System and method for generating alerts through multi-variate data assessment |
| JP2003207565A (ja) * | 2002-01-10 | 2003-07-25 | Mitsubishi Electric Corp | 類識別装置及び類識別方法 |
| JP5639797B2 (ja) | 2010-07-01 | 2014-12-10 | 株式会社日立ハイテクノロジーズ | パターンマッチング方法，画像処理装置、及びコンピュータプログラム |
| JP6623564B2 (ja) * | 2015-06-02 | 2019-12-25 | 富士通株式会社 | データ分類装置、データ分類プログラム及びデータ分類方法 |
| JP2017120519A (ja) * | 2015-12-28 | 2017-07-06 | 東京電力ホールディングス株式会社 | 平均電力使用量提供装置、平均電力使用量提供方法および平均電力使用量提供プログラム |
| JP6154933B1 (ja) * | 2016-03-29 | 2017-06-28 | 西日本電信電話株式会社 | グループ化装置、グループ化方法及びコンピュータプログラム |
| CN106251004B (zh) * | 2016-07-22 | 2019-10-29 | 中国电子科技集团公司第五十四研究所 | 基于改进空间距离划分的目标分群方法 |
| JP6697042B2 (ja) * | 2018-08-31 | 2020-05-20 | ソニーセミコンダクタソリューションズ株式会社 | 固体撮像システム、固体撮像方法及びプログラム |
| WO2020161845A1 (ja) * | 2019-02-06 | 2020-08-13 | 国立大学法人東北大学 | クラスタリング装置及びクラスタリング方法 |
| KR102141391B1 (ko) * | 2019-12-16 | 2020-08-05 | 주식회사 한국가스기술공사 | 군집 평가에 기반한 고장 데이터의 관리 방법 |
| CN111141418B (zh) * | 2019-12-30 | 2021-07-16 | 深圳数联天下智能科技有限公司 | 睡眠温度曲线的确定方法、装置及计算设备 |
-
1992
- 1992-01-24 JP JP04034382A patent/JP3089572B2/ja not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| JPH05205058A (ja) | 1993-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3089572B2 (ja) | クラスタリング方法 | |
| US9968845B2 (en) | Image processing device and image processing method, and program | |
| US8180161B2 (en) | Image classification device and image classification program | |
| US5210799A (en) | System and method for ranking and extracting salient contours for target recognition | |
| US8325985B2 (en) | Information processing apparatus, information processing method, and computer program | |
| US6801653B1 (en) | Information processing apparatus and method as well as medium | |
| KR101918168B1 (ko) | 3차원 계측 방법 및 그 장치 | |
| CN112509011B (zh) | 一种静止商品统计方法、终端设备及其存储介质 | |
| JP2019114103A (ja) | 物体認識処理装置、物体認識処理方法及びプログラム | |
| US8929587B2 (en) | Multi-tracking of video objects | |
| CN104639944B (zh) | 运动估计的方法和使用该方法的图像处理装置 | |
| US20190371001A1 (en) | Information processing apparatus, method of controlling information processing apparatus, and non-transitory computer-readable storage medium | |
| JP2875263B2 (ja) | 画像処理方法および装置 | |
| JP2004536300A (ja) | 画像装置の位置の迅速な判断を可能にする基準のしるしの選択 | |
| JP3435240B2 (ja) | 移動物体検知装置及びその方法 | |
| JP2019211914A (ja) | 物体らしさ推定装置、方法、およびプログラム | |
| JP7041046B2 (ja) | グループ推定装置及びグループ推定方法 | |
| JP2000099744A (ja) | 画像動きベクトル検出方法およびその装置 | |
| JP2017201454A (ja) | 画像処理装置及びプログラム | |
| JP2017004052A (ja) | 学習装置、方法及びプログラム | |
| JP2928356B2 (ja) | 動画像領域分割装置 | |
| CN115375713B (zh) | 地面点云的分割方法、装置及计算机可读存储介质 | |
| CN110728285B (zh) | 一种基于动态变频的快速角点检测方法 | |
| JP6937266B2 (ja) | 領域選択装置、領域選択方法、及び領域選択プログラム | |
| JPH0997331A (ja) | 画像処理装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080721 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080721 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090721 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090721 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100721 Year of fee payment: 10 |