• International journal of advanced smart convergence
• /
• 제7권2호
• /
• pp.33-37
• /
• 2018

In this study, we propose an iterative clustering algorithm that automatically clusters a set of voice signal data without a label into an optimal number of clusters and generates hmm model for each cluster. In the clustering process, the likelihood calculations of the clusters are performed using iterative hmm learning and testing while varying the number of clusters for given data, and the maximum likelihood estimation method is used to determine the optimal number of clusters. We tested the effectiveness of this clustering algorithm on a small-vocabulary digit clustering task by mapping the unsupervised decoded output of the optimal cluster to the ground-truth transcription, we found out that they were highly correlated.

• International Journal of Fuzzy Logic and Intelligent Systems
• /
• 제4권3호
• /
• pp.337-340
• /
• 2004

The clustering problem can be formulated as the problem to find the number of clusters and a partition matrix from a given data set using the iterative or non-iterative algorithms. The author proposes a nearest neighbor and validity-based clustering algorithm where each data point in the data set is linked with the nearest neighbor data point to form initial clusters and then a cluster in the initial clusters is linked with the nearest neighbor cluster to form a new cluster. The linking between clusters is continued until no more linking is possible. An optimal set of clusters is identified by using the conventional cluster validity index. Experimental results on well-known data sets are provided to show the effectiveness of the proposed clustering algorithm.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2014년도 춘계학술발표대회
• /
• pp.826-829
• /
• 2014

본 연구에서는 야외 지형 영상 및 항공 영상 등에 대하여 각각의 영역들의 속성을 분할 및 인식 하기 위해 minimum entropy clustering 기반의 군집화 기법과 over-segmentation을 반복 적용하여 군집화 하는 두 방법을 융합한 기법을 제안하였다. 이 기법들을 기반으로 각 군집의 대표 영역을 추출한 후에 학습 데이터를 기반으로 만들어진 텍스톤 사전과 학습 데이터 각각의 텍스톤 모델을 이용하여 텍스톤 히스토그램 매칭을 통해 매칭 포인트를 얻어내고 얻어낸 매칭 포인트를 기반으로 영역의 카테고리를 결정한다. 본 논문에서는 인터넷에서 얻은 일반 야외 영상들로부터 자체적으로 제작한 지형 데이터 셋을 통해 제안한 기법의 우수성을 검증하였으며, 본 실험에서는 영역을 토양, 수풀 그리고 물 지형으로 하여 영상내의 영역을 분류 및 인식하였다.

• 연구논문집
• /
• 통권25호
• /
• pp.147-154
• /
• 1995

In this paper, we discussed the convergence and the properties of an iterative algorithm method in order to improve a bimean clustering algorithm. This algorithm that we have discussed choose automatically an optimum threshold as a result of an iterative process, successive iterations providing increasingly cleaner extractions of the object region, The iterative approach of a proposed algorithm is seen to select an appropriate threshold for the low contrast images.

• 대한원격탐사학회지
• /
• 제34권6_3호
• /
• pp.1427-1443
• /
• 2018

객체 기반 영상 분석은 영상의 복잡도를 낮추는 동시에 영상의 특성을 유지한다는 점에서 픽셀 기반 영상 분석보다 높은 효율성과 정보 활용 가능성을 지닌다. Superpixel은 일반적인 영상 분할보다 작은 영상 단위로 영상을 과분할함으로써 영상 내의 경계를 보다 잘 유지할 수 있다. 이 가운데 SLIC(Simple linear iterative clustering) superpixel 기법은 기존의 기법들보다 높은 품질의 영상 분할 결과를 제시하는 것으로 알려져 있다. 이러한 SLIC 기법의 입력 파라미터인 superpixel의 개수는 영상 분할 결과에 큰 영향을 미침에도 이에 대한 연구는 선행 연구에서 충분히 다루어지지 않았다. 이에 본 연구에서는 KOMPSAT 영상을 이용하여 변화 탐지 활용 연구를 위한 SLIC 계열 superpixel 기법의 최적 파라미터 분석 및 변화 탐지 성능 비교를 수행하였다. 사용된 superpixel 기법은 SLIC, SLIC0(SLIC의 무변수 버전), SNIC(Simple non-iterative clustering) 의 세 가지 기법으로, $5{\times}5$(픽셀)에서 $50{\times}50$(픽셀)의 superpixel 크기 범위에 대해서 superpixel 개수를 지정하여 superpixel 분할 영상을 생성하고 변화 탐지 참조 영상에 대한 재현율을 분석하였다. 이를 통해 얻어진 최적 superpixel 크기를 바탕으로 변화를 탐지하고자 하는 두 영상의 차 영상을 분할한 후 일정 크기의 객체로 clustering하였다. 두 시기(bi-temporal) 영상으로부터 얻어진 공통된 영상경계는 전후 영상에 각각 적용함으로써 각 superpixel의 feature(Lab 색상 차이) 변화를 탐지하였다. 최종적인 변화 탐지 결과는 참조 영상을 통해 그 성능이 분석하였으며, 영상의 과분할 정도가 높지 않더라도 규칙적인 크기와 형태의 superpixel을 통해 높은 변화 탐지 성능을 달성할 수 있음을 확인하였다.

• 한국경영과학회:학술대회논문집
• /
• 한국경영과학회 2005년도 추계학술대회 및 정기총회
• /
• pp.51-54
• /
• 2005

Clustering analysis is a descriptive task that seeks to identify homogeneous groups of objects based on the values of their attributes. In this paper we propose a new algorithm for K-medoids clustering which runs like the K-means algorithm. The new algorithm calculates distance matrix once and uses it for finding new medoids at every iterative step. We evaluate the proposed method using real and synthetic data and compare with the results of other algorithms. The proposed algorithm takes reduced time in computation and better performance than others.

• 한국데이터정보과학회:학술대회논문집
• /
• 한국데이터정보과학회 2004년도 춘계학술대회
• /
• pp.51-60
• /
• 2004

K-means clustering is an iterative algorithm in which items are moved among sets of clusters until the desired set is reached. K-means clustering has been widely used in many applications, such as market research, pattern analysis or recognition, image processing, etc. It can identify dense and sparse regions among data attributes or object attributes. But k-means algorithm requires many hours to get k clusters that we want, because it is more primitive, explorative. In this paper we propose a new method of k-means clustering using a center of gravity for grid-based sample. It is more fast than any traditional clustering method and maintains its accuracy.

• 한국지능시스템학회논문지
• /
• 제17권3호
• /
• pp.397-402
• /
• 2007

In this paper, we present a method for clustering incomplete Microarray data using alternating optimization in which a prior imputation method is not required. To reduce the influence of imputation in preprocessing, we take an alternative optimization approach to find better estimates during iterative clustering process. This method improves the estimates of missing values by exploiting the cluster Information such as cluster centroids and all available non-missing values in each iteration. The clustering results of the proposed method are more significantly relevant to the biological gene annotations than those of other methods, indicating its effectiveness and potential for clustering incomplete gene expression data.

• 경영과학
• /
• 제15권2호
• /
• pp.153-159
• /
• 1998

Clustering or classification is a very fundamental task that may occur almost everywhere for the purpose of grouping. Optimal clustering is an example of very complicated combinatorial optimization problem and it is hard to develop a generally applicable optimal algorithm. In this paper we propose a general-purpose algorithm for the optimal clustering based on SA(simulated annealing). Among various iterative global optimization techniques imitating natural phenomena that have been proposed and utilized successfully for various combinatorial optimization problem, simulated annealing has its superiority because of its convergence property and simplicity. We first present a version of accelerated simulated annealing(ASA) and then we apply ASA to develop an efficient clustering algorithm. Application examples are also given.

• 한국경영과학회:학술대회논문집
• /
• 한국경영과학회 2006년도 추계학술대회
• /
• pp.421-426
• /
• 2006

We propose a new algorithm for K-medoids clustering which runs like the K-means clustering algorithm and test several methods for selecting initial medoids. The proposed algorithm calculates similarity matrix once and uses it for finding new medoids at every iterative step. To evaluate the proposed algorithm we use real and artificial data and compare with the clustering results of other algorithms in terms of three performance measures. Experimental results show that the proposed algorithm takes the reduced time in computation with comparable performance as compared to the Partitioning Around Medoids.