[发明专利]聚类方法和装置

说明书

本发明公开了一种聚类方法和装置。其中，该方法包括：获取神经网络模型；将目标数据输入神经网络模型，确定目标数据对神经网络模型中至少一个中间层节点的激活程度；根据每个中间层节点的激活程度在至少一个中间层节点中选择目标数据的聚类节点；根据聚类节点确定目标数据的聚类结果。本发明解决了相关技术中结合神经网络模型的聚类方法使用复杂度较高的技术问题。

技术领域

本发明涉及聚类领域，具体而言，涉及一种聚类方法和装置。

背景技术

现有的数据聚类方法，例如K均值聚类(K-means)方法和自组织映射(SelfOrganizing Maps)聚类方法，需要用户给定数据样本之间的相似度或者相似度计算方法。上述的聚类方法需要用户懂得如何选择或设计相似度或相似度计算方法，增加了数据聚类方法的使用难度，进一步地，当用户选定或设计的相似度或者相似度计算方法不恰当时，聚类方法所能实现的聚类效果可能不能满足用户的需求。例如，在对图像数据进行聚类分析时，如果使用欧式距离计算图像之间的相似度，则不能反映图像内容的平移、尺度等变化，从而导致聚类分析失败。再如，在对脉搏波时序数据进行聚类分析时，如果使用动态时间规整(DTW)法计算脉搏波时序数据片段之间的相似度，则可能丢失脉搏波信号中的重搏波相对位置平移信息，导致聚类结果与用户预期效果不一致。

在现有技术中，已经具有采用神经网络技术与聚类结合的技术对数据进行聚类的方法，例如，申请号为201310530626.9、专利名称为一种基于深度学习的聚类方法的专利，提供了一种结合神经网络模型的聚类方法，具体的技术方案为在神经网络模型中指定特定的中间层节点作为用于聚类的特征层，并且，还需要对神经网络模型的目标函数进行修改，加入聚类的类内约束函数，这种方式需要预先确定用于聚类的中间层节点是哪些节点，增加了使用该方法的人工部分的复杂度，并且修改了神经网络模型的目标函数，从而改变了神经网络原来的行为和表现。现有技术中还有一些其他的改进的聚类方法，例如，需要在神经网络模型的节点中增加离散的节点，根据离散节点的状态进行聚类等等。在上述的现有技术中的技术方案由于对神经网络模型具有一定的限制条件，因此限定了聚类方法的使用范围。

针对相关技术中结合神经网络模型的聚类方法使用复杂度较高的技术问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种聚类方法和装置，以至少解决相关技术中结合神经网络模型的聚类方法使用复杂度较高的技术问题。

根据本发明实施例的一个方面，提供了一种聚类方法，该方法包括：获取神经网络模型；将目标数据输入神经网络模型，确定目标数据对神经网络模型中至少一个中间层节点的激活程度；根据每个中间层节点的激活程度在至少一个中间层节点中选择目标数据的聚类节点；根据聚类节点确定目标数据的聚类结果。

进一步地，根据每个中间层节点的激活程度在至少一个中间层节点中选择目标数据的聚类节点包括：获取输入的聚类节点的数量K；根据每个中间层节点的激活程度在至少一个中间层节点中选择K个节点作为聚类节点。

进一步地，根据每个中间层节点的激活程度在至少一个中间层节点中选择K个节点作为聚类节点包括：将神经网络模型在接收输入的目标数据之后每个中间层节点对应的激励函数的输出值作为激活程度；根据至少一个中间层节点的激活程度分别计算每个中间层节点的排序参数值；按照每个中间层节点的排序参数值对至少一个中间层节点进行排序，选取前K个节点作为聚类节点。

进一步地，根据聚类节点确定目标数据的聚类结果包括：根据选择出的K个聚类节点的组合将目标数据划分到组合对应的类别。

进一步地，获取神经网络模型包括：接收输入的神经网络模型的结构参数以确定神经网络模型的结构；通过训练样本集对结构确定的神经网络模型进行训练，其中，训练样本集中的每个样本包括样本数据和样本类别标签，神经网络模型的训练目标为在输入样本数据之后的输出与样本数据对应的样本类别标签的差距最小。