VLAM clustering

Fuzzy clustering door Lokale aanpassing van lidmaatschappen is een data-clustering algoritme dat clusters definieert in de dichte delen van een dataset en voert cluster opdracht uitsluitend op basis van de wijk relaties tussen objecten. Het belangrijkste kenmerk van dit algoritme is dat de buurt relaties tussen naburige voorwerpen in de kenmerkruimte worden gebruikt voor het lidmaatschap van aangrenzende objecten te beperken in de fuzzy lidmaatschap ruimte.

Beschrijving van de VLAM-algoritme

De VLAM algoritme wordt voornamelijk verdeeld in drie stappen:

  • Extractie van de structuur van informatie uit de dataset:
    • De bouw van een wijk grafiek om elk object om zijn K-buren te sluiten;
    • Schat een dichtheid voor elk object op basis van de nabijheid zijn KNN;
    • Objecten worden ingedeeld in 3 types:
      • Cluster Ondersteunende object: object met een dichtheid hoger dan al zijn buurlanden;
      • Cluster Uitschieters: object met een dichtheid lager dan al zijn buurlanden, en lager dan een vooraf bepaalde drempel;
      • de rest.
  • Lokale / Wijk aanpassing van fuzzy lidmaatschappen:
    • Initialisatie van fuzzy-lidmaatschap:
      • Elke CSO is toegewezen met vaste en volledig lidmaatschap om zich op een cluster te vertegenwoordigen;
      • Alle uitschieters zijn toegewezen met vaste en volledig lidmaatschap van de uitschieter groep;
      • De rest wordt toegewezen met evenveel lidmaatschappen om alle clusters en de uitschieter groep;
    • Dan is de fuzzy lidmaatschappen van alle soorten 3 objecten worden bijgewerkt door een convergerende iteratieve procedure genaamd Local / Buurt Harmonisatie van Fuzzy Lidmaatschappen, waarin de fuzzy lidmaatschap van elk object wordt bijgewerkt door een lineaire combinatie van de fuzzy lidmaatschappen van zijn naaste buren.
  • Cluster bouw van fuzzy lidmaatschappen in twee mogelijke manieren:
    • Eén-op-één object-cluster toewijzing aan elk object aan de cluster waar zij de hoogste lidmaatschap toewijzen;
    • Eén-op-multiple object-clusters opdracht om elk object het cluster waarin zij een samenstelling hoger is dan een drempelwaarde toekennen.

De optimalisatie probleem in FLAME

De Lokale / Buurt Harmonisatie van Fuzzy Lidmaatschappen is een procedure om het lokale / Buurt Harmonisatie fout gedefinieerd als de volgende minimaliseren:

waar is de verzameling van alle type 3-objecten, is de fuzzy lidmaatschap vector van het object, is de verzameling van de dichtstbijzijnde buren van, en met de coëfficiënten die de relatieve nabijheid van de dichtstbijzijnde buren.

De NAE kan worden geminimaliseerd door het oplossen van de volgende lineaire vergelijkingen met unieke oplossing die het unieke globale minimum van NAE met nul:

waar is het aantal maatschappelijke organisaties plus één. De volgende iteratieve procedure kan worden gebruikt om deze lineaire vergelijkingen op te lossen:

Een eenvoudige illustratie van een 2-Dimension testen dataset

(0)
(0)
Commentaren - 0
Geen commentaar

Voeg een reactie

smile smile smile smile smile smile smile smile
smile smile smile smile smile smile smile smile
smile smile smile smile smile smile smile smile
smile smile smile smile
Tekens over: 3000
captcha