基于图的多层 K-means++ (G-MLKM) 用于约束空间中的传感模式分析
机器学习
2020-09-22 v1 机器学习
摘要
在本文中，我们致力于开发一种新颖的无监督机器学习算法，名为基于图的多层 k-means++（G-MLKM），用于解决当目标在约束空间上运动且传感器仅能获取目标最少信息时数据-目标关联问题。与传统的基于统计概率的数据-目标关联方法不同，G-MLKM 通过数据聚类解决该问题。我们首先将开发多层 K-means++（MLKM）方法，用于在给定简化约束空间情形的局部空间中进行数据-目标关联。随后提出 p-对偶图来表示局部空间互连时的通用约束空间。基于对偶图和图论，我们通过首先理解局部数据-目标关联，然后提取跨局部数据-目标关联，将 MLKM 推广到 G-MLKM，并从数学上分析该空间交点处的数据关联。为排除可能违背物理规则的数据-目标关联错误，我们还开发了纠错机制以进一步提高精度。进行了大量仿真示例以证明 G-MLKM 的性能。
引用
@article{arxiv.2009.09925,
title = {Graph Based Multi-layer K-means++ (G-MLKM) for Sensory Pattern Analysis in Constrained Spaces},
author = {Feng Tao and Rengan Suresh and Johnathan Votion and Yongcan Cao},
journal= {arXiv preprint arXiv:2009.09925},
year = {2020}
}