1 |
1
입력된 목적함수에 대해 컨벡스 최적화법(convex optimization)을 이용하여 주어진 제약조건을 만족하는 최적 가능해(optimal feasible solution)를 구하는 단계; 및상기 최적 가능해로부터 고유값을 추출하여 군집화하는 단계를 포함하는 것을 특징으로 하는 컨벡스 최적화법에 기반한 데이터 군집화 방법
|
2 |
2
제 1 항에 있어서, 상기 컨벡스 최적화법으로는 준정부호 이완법(semidefinite relaxation)이 이용되는 것을 특징으로 하는 컨벡스 최적화법에 기반한 데이터 군집화 방법
|
3 |
3
제 2 항에 있어서, 상기 준정부호 이완법은,상기 목적함수와 제약조건을 만족하는 라그랑주(Lagrangian)를 구하여 듀얼 함수(dual function)를 구하는 단계;상기 기본 준정부호 계획법을 이완하여 구해진 이완된 준정부호 계획법이 제약조건을 만족하는지를 검사하는 단계; 및상기 제약조건이 만족되면 뉴튼법(Newton-method)을 기반으로 하는 인테리어 포인트법(interior-point method)을 통하여 최적 파티션 행렬을 구하는 단계를 포함하는 것을 특징으로 하는 컨벡스 최적화법에 기반한 데이터 군집화 방법
|
4 |
4
제 3 항에 있어서, 상기 제약조건이 만족되어지지 않는다면 파티션(partition) 행렬들에 대한 컨벡스 헐(convex hull)의 무게중심 행렬(barycenter matrix)을 이용하는 무게중심 기반(barycenter-based) 방법과 접목하여 최적 파티션 행렬을 구하는 것을 특징으로 하는 컨벡스 최적화법에 기반한 데이터 군집화 방법
|
5 |
5
제 3 항 또는 제 4 항에 있어서, 상기 목적함수는 인 것을 특징으로 하는 컨벡스 최적화법에 기반한 데이터 군집화 방법
|
6 |
6
제 1 항에 있어서, 상기 군집화에는 k-means, EM, k-nn을 포함한 군집화 방법이 적용되는 것을 특징으로 하는 컨벡스 최적화법에 기반한 데이터 군집화 방법
|
7 |
7
제 1 항에 있어서, 상기 최적 가능해는 데이터 사이의 유사성 또는 상이성이 정의되는 것을 특징으로 하는 컨벡스 최적화법에 기반한 데이터 군집화 방법
|
8 |
8
제 7 항에 있어서, 상기 데이터의 유사성 또는 상이성 행렬을 생성할 경우에 커널함수(kernel function)를 이용하는 것을 특징으로 하는 컨벡스 최적화법에 기반한 데이터 군집화 방법
|
9 |
9
제 8 항에 있어서, 상기 데이터의 유사성 또는 상이성 행렬의 생성을 위하여 데이터로부터의 특징데이터(feature points)를 추출(extraction)하여 적용하는 것을 특징으로 하는 컨벡스 최적화법에 기반한 데이터 군집화 방법
|
10 |
10
제 7 항 내지 제 9 항 중의 어느 한 항에 있어서, 상기 유사성 또는 상이성 행렬은 동질 데이터 또는 이종 데이터에 적용되는 것을 특징으로 하는 컨벡스 최적화법에 기반한 데이터 군집화 방법
|