Jag accepterar att kakor lagras på min dator

Läs mer

Hierarchical clustering in a mean field.

Hierarchical clustering in a mean field. Beställ tryckt exemplar Lägg i kundvagnen
Författare: Bengtsson Mats
Ort: Linköping
Sidor: 21
Utgivningsår: 1996
Publiceringsdatum: 1996-11-12
Rapportnummer: (FOA-R--96-00298-3.4)
Nyckelord Neuronnät, self-organization, clustering, Potts glass, neural network, självorganisation, klustering, Potts glas, 547351, 730
Sammanfattning En hierarkisk klassifieringsmodell har utvecklats som bygger på ett Potts glas i en medelfältsapproximation. Den ger, tror vi, optimala kategoriseringslösningen för slumpmässigt placerade Gaussiska klusters av identisk storlek och standardavvikelse. Fasövergångstemperaturerna är beräknade i förväg vilket leder till en helt parameterfri modell. Därmed undviker man parameteroptimering som andra självorganiserade modeller lider av. Numeriska studier visar att modellen presterar väl när problemstorleken ökar. Vi visar också att standardvektorkvantisering och Kohonens självorganiserade avbildning inte löser dessa problem i allmänhet.
Abstract A hierarchical clustering model, which is built on a Potts glass in a mean field approximation, is developed. It gives, we believe, the optimal clustering solution to randomly positioned Gaussian clusters of identical size and standard deviation. The phase transition temperatures are estimated in advance, faciliating a completely parameter free model, and thereby avoiding parameter tuning that plagues other self-organizing models. Explored numerically, the model performs well when clustering problems are scaled up. Furthermore, it is demonstrated that standard vector quantization and the Kohonen self-organizing map are unable to solve these clustering tasks in general.

Kundvagn

Inga rapporter i kundvagnen

FOI, Totalförsvarets forskningsinstitut

FOI
Totalförsvarets forskningsinstitut
164 90 Stockholm

Tel: 08-555 030 00
Fax: 08-555 031 00

Orgnr: 202100-5182