• 전자공학회논문지CI
• /
• 제41권6호
• /
• pp.39-46
• /
• 2004

클러스터 분석에 있어 중요한 문제 중의 하나는 주어진 데이터에 내재된 적절한 클러스터의 수를 찾아내는 것이다. 본 논문에서는 이러한 클러스터의 개수를 체계적으로 결정하기 위하여 IRC (Input Representation Coverage) 개념을 새로이 정의하고, 이를 이용하여 주어진 데이터에 적합한 클러스터의 개수를 자동 결정하는 방법을 제시한다. 또한, 이러한 방법의 유용성 및 응용성을 알아보기 위하여 가상 데이터를 가지고 분석 실험을 하였으며, 실험을 통해 데이터에 내재된 실제 클러스터의 개수를 찾아내는 데에 제안된 방법이 매우 유용하게 사용될 수 있음을 보여준다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2011년도 추계학술발표대회
• /
• pp.1268-1269
• /
• 2011

데이터마이닝 분야에서는 주어진 공간상에 분포되어있는 데이터들을 분석위해 다양한 클러스터링 알고리즘이 존재한다. 그러나 대부분의 클러스터링 알고리즘에서는 클러스터 전체 개수를 미리 요구한다. 이 때문에 클러스터링 알고리즘에서 클러스터 전체개수를 미리 알아내는 것은 매우 중요하다. 본 논문에서는 데이터에 분포하는 클러스터들의 개수를 데이터의 그래프 모델을 이용한 분석으로 찾아내는 방법을 제안한다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2016년도 추계학술대회
• /
• pp.524-526
• /
• 2016

본 논문에서는 클러스터의 개수를 다양하게 설정하여 누적된 변화율이 가장 작은 변화율을 가진 클러스터 개수를 동적으로 설정하는 방법을 제안하여 백내장 영역을 추출하는 방법을 제안한다. 제안된 백내장 추출 방법은 애견 안구 영상에서 관심 영역을 ROI 영역으로 설정한다. 설정된 ROI 영역에 퍼지 스트레칭 기법을 적용하여 픽셀의 상한 값과 하한 값을 조정한다. 퍼지 스트레칭 기법이 적용된 ROI 영역에서 FCM 알고리즘을 적용하여 클러스터 소속 행렬의 중심 값의 변화율이 가장 적은 개수를 최적의 클러스터 개수로 설정하여 ROI 영역을 양자화 한다. 양자화된 ROI 영역에서 침식 및 팽창 기법을 적용하고 ROI 영역의 면적을 기준으로 1/5보다 적은 면적을 가진 객체를 잡음으로 간주하여 제거한다. 잡음이 제거된 ROI 영역에서 ROI 면적의 3/5이상인 영역을 가진 안구 객체를 백내장 영역으로 추출한다. 제안된 방법의 효율성을 분석하기 위해서 애견 안구 영상을 대상으로 실험한 결과, 기존의 FCM을 적용하여 ROI 영역을 양자화 하는 처리 시간보다 제안된 클러스터 수 설정 기반 FCM을 적용한 양자화 방법이 처리 시간이 적게 소요되고 객체들을 정확히 분류하는 것을 실험을 통하여 확인하였다.

• 한국콘텐츠학회:학술대회논문집
• /
• 한국콘텐츠학회 2009년도 춘계 종합학술대회 논문집
• /
• pp.792-796
• /
• 2009

데이터 클러스터링 분야에서 최적의 클러스터 개수를 추정하는 것은 매우 중요한 일이다. 그것은 클러스터링의 적합성을 판단할 기준을 정하고 그 적합성을 극대화 하는 최적의 클러스터의 개수를 찾는 것이다. 본 논문에서는 클러스터의 적합성을 판단할 기준으로써 클러스터링 균형을 사용하여 최적의 클러스터 개수를 찾기 위한 효율적인 휴리스틱 방법을 제안하였다. k-means 사용하여 가상 및 실제 데이터 셋에 적용한 결과, 제안한 알고리즘이 계산효율 측면에서 우수함을 확인할 수 있었다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2000년도 봄 학술발표논문집 Vol.27 No.1 (B)
• /
• pp.313-315
• /
• 2000

클러스터링에 있어서 K-means와 FCM(Fuzzy C-means)와 같은 기존의 알고리즘들은 지역적 최소 해에 수렴될 문제와 사전에 클러스터 개수를 결정해야 하는 문제점을 가지고 있다. 본 논문에서는 병렬 탐색을 통해 최적 해를 찾는 진화 알고리즘을 사용하여 지역적 최소 해에 수렴되는 문제점을 개선하였으며, 클러스터의 특성을 표준편차 벡터를 계산하여 중심으로부터 포함된 데이터가 얼마나 분포되어 있는지 알 수 있는 분산도와 임의의 데이터와 모든 중심들간의 거리의 비율로서 얻어지는 소속정도를 고려하여 클러스터간의 간격을 알 수 있는 분리도를 정의함으로써 자동으로 클러스터 개수를 결정할 수 있게 하였다. 실험데이터와 가우시안 분포에 의해 생성된 다차원 실험데이터를 사용하여 제안한 알고리즘이 이러한 문제점들을 해결하고 있음을 보인다.

• 한국통신학회논문지
• /
• 제31권11A호
• /
• pp.1147-1158
• /
• 2006

경제성 및 전력 효율성 등을 고려하여 단일 주파수 채널을 사용하는 클러스터 기반의 계층구조 무선 센서 네트워크에서 클러스터 헤드는 클러스터 내의 노드들에 대한 무선 자원 할당 및 제어를 관장하며, 데이터 축약(data aggregation) 또는 라우팅 등의 처리 기능이 집중되어 클러스터 내의 노드들과 빈번한 통신이 이루어진다. 따라서 클러스터 헤드는 일반 노드에 비해 상대적으로 많은 에너지를 소모하게 되고 배터리가 먼저 고갈되면 그 동작을 멈추게 된다. 이는 무선 센서 네트워크 수명을 단축시키는 주요한 원인이 되기 때문에 전력 효율적인 망 구조를 도출할 수 있는 클러스터링을 통해 에너지 소모가 많은 클러스터 헤드의 개수를 최소화하는 것이 중요하다. 본 논문에서는 노드간의 상호 응답 과정을 통해 주변 노드들을 발견하고 그 개수를 세어 나가는 과정을 통해 클러스터 헤드와 게이트웨이간의 거리를 최대화시켜 평균적으로 클러스터 헤드의 개수를 최소화할 수 있는 새로운 형태의 클러스터링 알고리즘을 제안하였으며, 모의실험을 통해 제안된 클러스터링 알고리즘에 의해 클러스터 헤드 개수가 기존의 클러스터링 알고리즘 대비 최대 21% 감소함을 보여준다. 또한 각 노드들의 역할을 재설정하여 네트워크의 평균 수명을 극대화하기 위한 전력 균형 분배(load balancing) 과정에서 에너지 소모가 많은 재클러스터링 과정의 발생을 억제함으로써 전체 네트워크 수명을 연장 시킬 수 있는 새로운 방식을 제안하였다

• 한국음향학회지
• /
• 제26권5호
• /
• pp.199-206
• /
• 2007

본 논문에서는 화자식별을 위한 특징벡터의 새로운 클러스터링 방법을 제안한다. 제안된 방법은 클러스터 센터에 대한 초기값 설정과 클러스터 개수에 대한 사전 정보 없이 클러스터링이 가능하다. 각 클러스터 센터는 경계 차감 클러스터링 알고리즘으로 한 번에 한 개의 클러스터 센터가 추가됨으로써 순차적으로 구해지며, 클러스터 개수는 클러스터간의 상호관계를 조사하여 결정된다. 인공 생성 데이터 및 TIMIT 음성을 이용하여 실험한 결과로부터 제안된 방법이 기존의 방법보다 우수함을 확인하였다.

• 한국지능시스템학회:학술대회논문집
• /
• 한국퍼지및지능시스템학회 1997년도 추계학술대회 학술발표 논문집
• /
• pp.87-90
• /
• 1997

Mountain Method의 다른 형태인 Subtractive 클러스터링 알고리듬은 계산이 간단하고 기존의 클러스터링 방법들과는 달리 초기 클러스터 중심의 개수 선정이 필요 없기 때문에 클러스터를 추정하는데 효과적인 알고리듬이다. 또한 클러스터의 간격을 결정하는 파라미터의 값에 따라 클러스터의 개수를 다르게 할 수 있다. 그러나 이 파라미터에 의해 동일한 그룹(Class)내에서 여러 개의 클러스터 중심이 발생될 수도 있다. 본 논문에서는 Subtractive HyperBox 알고리듬을 사용하여 이 파라미터의 영향을 줄이고 발생한 클러스터 중심이 속한 그룹의 경계를 판정함으로서 같은 그룹내에서 하나의 클러스터만 발생하도록 하고, 순차적으로 클러스터링 한 후 결과를 Subtractive 클러스터링 알고리듬과 비교하여 보았다.

• 한국지능시스템학회논문지
• /
• 제14권7호
• /
• pp.816-820
• /
• 2004

클러스터링은 데이터 집합을 유사한 데이터 개체들의 클러스터들로 분할하여 데이터 속에 존재하는 의미 있는 정보를 얻는 과정이다. 클러스터링의 주요 쟁점은 고차원 데이터를 효율적으로 클러스터링하는 것과 최적화 문제를 해결하는 것이다. 본 논문에서는 SVM(Support Vector Machines)기반의 새로운 유사도 측정법과 효율적으로 클러스터의 개수를 생성하는 방법을 제안한다. 고차원의 데이터는 커널 함수를 이용해 Feature Space로 매핑시킨 후 이웃하는 클러스터와의 유사도를 측정한다. 이미 생성된 클러스터들은 측정된 유사도 값과 Δd 임계값에 의해서 원하는 클러스터의 개수를 얻을 수 있다. 제안된 방법을 검증하기 위하여 6개의 UCI Machine Learning Repository의 데이터를 사용한 결과, 제시된 클러스터의 개수와 기존의 연구와 비교하여 향상된 응집도를 얻을 수 있었다.

• 한국전자통신학회논문지
• /
• 제9권11호
• /
• pp.1221-1226
• /
• 2014

본 논문에서는 음성 인식의 효율을 높이기 위하여 음소 클러스터 개수의 효과에 대해 연구하였다. 이를 위하여 음소 클러스터 개수를 바꾸어 가면서 수정된 k-평균 군집 알고리듬을 사용하여 코우드북을 작성하였다. 그런 다음, 퍼지 벡터 양자화와 은닉 마코브 모델을 사용하여 음성인식 테스트를 수행하였다. 실험 결과 두 개의 영역이 구분되어 나타났다. 음소 클러스터 개수가 클 때 인식 성능은 대체로 그와 무관하지만, 개수가 작을 때에는 그 감소와 더불어 인식 오류율이 비선형적으로 증가하는 것으로 나타났다. 수치 해석적 계산으로부터, 이 비선형 영역은 멱승함수에 의해 모델링 될 수 있었다. 또한 300개의 고립단어 인식의 경우에, 166개의 음소클러스터가 최적의 수임을 보일 수 있었다. 이는 음소당 3개 정도의 변화에 해당하는 값이다.