1 |
1
삭제
|
2 |
2
클러스터 대상인 제1 데이터 집합을 입력받는 단계;상기 제1 데이터 집합의 개수와 동일한 개수를 가진 제2 데이터 집합을 기 설정된 값으로 초기화하는 단계;상기 제1 데이터 집합과 상기 제2 데이터 집합에 대한 로지스틱 GP 회귀분석을 기초로 정의된 로그-우도 함수(log-likelihood function)의 값을 최대화하는 파라미터를 구하는 단계;상기 파라미터가 반영된 분산 함수의 값이 기 설정된 크기 이상이 되도록 하는 상기 분산 함수의 입력값의 범위인 서포트 영역을 설정하는 단계;상기 서포트 영역 내에서 상기 분산 함수의 극대값을 나타내는 상기 분산 함수의 입력값을 대표점으로 선별하는 단계; 및상기 대표점을 기반으로 상기 제1 데이터 집합의 데이터 요소를 적어도 하나 이상으로 군집화하는 단계;를 포함하고,상기 초기화하는 단계는,단일 클래스 회귀분석(one-class regression)을 위하여 상기 제2 데이터 집합의 데이터 요소를 모두 0으로 초기화하는 단계를 포함하는 것을 특징으로 하는 클러스터링 방법
|
3 |
3
클러스터 대상인 제1 데이터 집합을 입력받는 단계;상기 제1 데이터 집합의 개수와 동일한 개수를 가진 제2 데이터 집합을 기 설정된 값으로 초기화하는 단계;상기 제1 데이터 집합과 상기 제2 데이터 집합에 대한 로지스틱 GP 회귀분석을 기초로 정의된 로그-우도 함수(log-likelihood function)의 값을 최대화하는 파라미터를 구하는 단계;상기 파라미터가 반영된 분산 함수의 값이 기 설정된 크기 이상이 되도록 하는 상기 분산 함수의 입력값의 범위인 서포트 영역을 설정하는 단계;상기 서포트 영역 내에서 상기 분산 함수의 극대값을 나타내는 상기 분산 함수의 입력값을 대표점으로 선별하는 단계; 및상기 대표점을 기반으로 상기 제1 데이터 집합의 데이터 요소를 적어도 하나 이상으로 군집화하는 단계;를 포함하고,상기 파라미터를 구하는 단계는, 순차 스파스 베이지안 학습 알고리즘(sequential sparse Bayesian learning algorithm)을 적용하여 파라미터를 구하는 단계를 포함하는 것을 특징으로 하는 클러스터링 방법
|
4 |
4
클러스터 대상인 제1 데이터 집합을 입력받는 단계;상기 제1 데이터 집합의 개수와 동일한 개수를 가진 제2 데이터 집합을 기 설정된 값으로 초기화하는 단계;상기 제1 데이터 집합과 상기 제2 데이터 집합에 대한 로지스틱 GP 회귀분석을 기초로 정의된 로그-우도 함수(log-likelihood function)의 값을 최대화하는 파라미터를 구하는 단계;상기 파라미터가 반영된 분산 함수의 값이 기 설정된 크기 이상이 되도록 하는 상기 분산 함수의 입력값의 범위인 서포트 영역을 설정하는 단계;상기 서포트 영역 내에서 상기 분산 함수의 극대값을 나타내는 상기 분산 함수의 입력값을 대표점으로 선별하는 단계; 및상기 대표점을 기반으로 상기 제1 데이터 집합의 데이터 요소를 적어도 하나 이상으로 군집화하는 단계;를 포함하고,상기 서포트 영역을 설정하는 단계는,상기 제1 데이터 집합의 데이터 요소들에 대한 분산 함수의 값 중 최소값을 산출하는 단계; 및상기 분산 함수의 값이 상기 최소값 이상이 되도록 하는 상기 분산 함수의 입력값의 범위를 서포트 영역으로 설정하는 단계;를 포함하는 것을 특징으로 하는 클러스터링 방법
|
5 |
5
클러스터 대상인 제1 데이터 집합을 입력받는 단계;상기 제1 데이터 집합의 개수와 동일한 개수를 가진 제2 데이터 집합을 기 설정된 값으로 초기화하는 단계;상기 제1 데이터 집합과 상기 제2 데이터 집합에 대한 로지스틱 GP 회귀분석을 기초로 정의된 로그-우도 함수(log-likelihood function)의 값을 최대화하는 파라미터를 구하는 단계;상기 파라미터가 반영된 분산 함수의 값이 기 설정된 크기 이상이 되도록 하는 상기 분산 함수의 입력값의 범위인 서포트 영역을 설정하는 단계;상기 서포트 영역 내에서 상기 분산 함수의 극대값을 나타내는 상기 분산 함수의 입력값을 대표점으로 선별하는 단계; 및상기 대표점을 기반으로 상기 제1 데이터 집합의 데이터 요소를 적어도 하나 이상으로 군집화하는 단계;를 포함하고,상기 클러스터링하는 단계는,각 대표점에 클러스터 라벨을 부여하되, 인접한 대표점 사이에 위치한 값들에 대해 상기 분산 함수의 값이 기 설정된 절단수준값보다 모두 작으면 상기 인접한 대표점에 동일한 클러스터 라벨을 부여하는 단계; 및최단 이웃점 탐색 방법을 적용하여 상기 제1 데이터 집합의 데이터 요소를 각 클러스터 라벨별 대표점을 기준으로 군집화하는 단계;를 포함하는 것을 특징으로 하는 클러스터링 방법
|
6 |
6
삭제
|
7 |
7
클러스터 대상인 제1 데이터 집합을 입력받는 입력부;상기 제1 데이터 집합의 개수와 동일한 개수를 가진 제2 데이터 집합을 기 설정된 값으로 초기화하는 초기화부;상기 제1 데이터 집합과 상기 제2 데이터 집합에 대한 로지스틱 GP 회귀분석을 기초로 정의된 로그-우도 함수(log-likelihood function)의 값을 최대화하는 파라미터를 구하는 파라미터산출부;상기 파라미터가 반영된 분산 함수의 값이 기 설정된 크기 이상이 되도록 하는 상기 분산 함수의 입력값의 범위인 서포트 영역을 설정하는 서포트영역설정부;상기 서포트 영역 내에서 상기 분산 함수의 극대값을 나타내는 상기 분산 함수의 입력값을 대표점으로 선별하는 대표점산출부; 및상기 대표점을 기반으로 상기 제1 데이터 집합의 데이터 요소를 군집화하는 클러스터링부;를 포함하고,상기 초기화부는,단일 클래스 회귀분석(one-class regression)을 위하여 상기 제2 데이터 집합의 데이터 요소를 모두 0으로 초기화하는 것을 특징으로 하는 클러스터링 장치
|
8 |
8
클러스터 대상인 제1 데이터 집합을 입력받는 입력부;상기 제1 데이터 집합의 개수와 동일한 개수를 가진 제2 데이터 집합을 기 설정된 값으로 초기화하는 초기화부;상기 제1 데이터 집합과 상기 제2 데이터 집합에 대한 로지스틱 GP 회귀분석을 기초로 정의된 로그-우도 함수(log-likelihood function)의 값을 최대화하는 파라미터를 구하는 파라미터산출부;상기 파라미터가 반영된 분산 함수의 값이 기 설정된 크기 이상이 되도록 하는 상기 분산 함수의 입력값의 범위인 서포트 영역을 설정하는 서포트영역설정부;상기 서포트 영역 내에서 상기 분산 함수의 극대값을 나타내는 상기 분산 함수의 입력값을 대표점으로 선별하는 대표점산출부; 및상기 대표점을 기반으로 상기 제1 데이터 집합의 데이터 요소를 군집화하는 클러스터링부;를 포함하고,상기 파라미터산출부는,순차 스파스 베이지안 학습 알고리즘(sequential sparse Bayesian learning algorithm)을 적용하여 파라미터를 구하는 것을 특징으로 하는 클러스터링 장치
|
9 |
9
클러스터 대상인 제1 데이터 집합을 입력받는 입력부;상기 제1 데이터 집합의 개수와 동일한 개수를 가진 제2 데이터 집합을 기 설정된 값으로 초기화하는 초기화부;상기 제1 데이터 집합과 상기 제2 데이터 집합에 대한 로지스틱 GP 회귀분석을 기초로 정의된 로그-우도 함수(log-likelihood function)의 값을 최대화하는 파라미터를 구하는 파라미터산출부;상기 파라미터가 반영된 분산 함수의 값이 기 설정된 크기 이상이 되도록 하는 상기 분산 함수의 입력값의 범위인 서포트 영역을 설정하는 서포트영역설정부;상기 서포트 영역 내에서 상기 분산 함수의 극대값을 나타내는 상기 분산 함수의 입력값을 대표점으로 선별하는 대표점산출부; 및상기 대표점을 기반으로 상기 제1 데이터 집합의 데이터 요소를 군집화하는 클러스터링부;를 포함하고,상기 서포트영역설정부는,상기 제1 데이터 집합의 데이터 요소들에 대한 분산 함수의 값 중 최소값을 산출하고, 상기 분산 함수의 값이 상기 최소값 이상이 되도록 하는 상기 분산 함수의 입력값의 범위를 서포트 영역으로 설정하는 것을 특징으로 하는 클러스터링 장치
|
10 |
10
클러스터 대상인 제1 데이터 집합을 입력받는 입력부;상기 제1 데이터 집합의 개수와 동일한 개수를 가진 제2 데이터 집합을 기 설정된 값으로 초기화하는 초기화부;상기 제1 데이터 집합과 상기 제2 데이터 집합에 대한 로지스틱 GP 회귀분석을 기초로 정의된 로그-우도 함수(log-likelihood function)의 값을 최대화하는 파라미터를 구하는 파라미터산출부;상기 파라미터가 반영된 분산 함수의 값이 기 설정된 크기 이상이 되도록 하는 상기 분산 함수의 입력값의 범위인 서포트 영역을 설정하는 서포트영역설정부;상기 서포트 영역 내에서 상기 분산 함수의 극대값을 나타내는 상기 분산 함수의 입력값을 대표점으로 선별하는 대표점산출부; 및상기 대표점을 기반으로 상기 제1 데이터 집합의 데이터 요소를 군집화하는 클러스터링부;를 포함하고,상기 클러스터링부는,각 대표점에 클러스터 라벨을 부여하되, 인접한 대표점 사이에 위치한 값들에 대해 상기 분산 함수의 값이 기 설정된 절단수준값보다 모두 작으면 상기 인접한 대표점에 동일한 클러스터 라벨을 부여하고, 최단 이웃점 탐색 방법을 적용하여 상기 제1 데이터 집합의 데이터 요소를 각 클러스터 라벨별 대표점을 기준으로 군집화하는 것을 특징으로 하는 클러스터링 장치
|
11 |
11
제 2항 내지 제 5항 중 어느 한 항에 기재된 방법을 수행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체
|