[发明专利]聚类方法和装置

权利要求书

1.一种聚类方法，其特征在于，包括：

获取神经网络模型；

将目标数据输入所述神经网络模型，确定所述目标数据对所述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所述至少一个中间层节点中选择所述目标数据的聚类节点；

根据所述聚类节点确定所述目标数据的聚类结果；

其中，获取神经网络模型包括：接收输入的所述神经网络模型的结构参数以确定所述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，所述训练样本集中的每个样本包括样本数据和样本类别标签，所述神经网络模型的训练目标为在输入所述样本数据之后的输出与所述样本数据对应的样本类别标签的差距最小；所述样本数据为动物图像，所述样本类别标签为动物的种类，所述中间层节点为动物特征；

根据每个中间层节点的激活程度在所述至少一个中间层节点中选择所述目标数据的聚类节点包括：

获取输入的所述聚类节点的数量K；

根据所述每个中间层节点的激活程度在所述至少一个中间层节点中选择K个节点作为所述聚类节点；

根据所述每个中间层节点的激活程度在所述至少一个中间层节点中选择K个节点作为所述聚类节点包括：

将所述神经网络模型在接收输入的所述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所述激活程度；

根据所述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所述至少一个中间层节点进行排序，选取前K个节点作为所述聚类节点；

在对多个目标数据进行聚类并得到聚类结果之后，所述方法还包括：

通过可视化方式显示所述多个目标数据的聚类分布图，其中，在所述样本数据包括多维数据的情况下，所述可视化方式包括使用局部线性嵌入法进行数据降维，并用散点图进行显示。

2.根据权利要求1所述的方法，其特征在于，根据所述聚类节点确定所述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所述目标数据划分到所述组合对应的类别。

3.一种聚类装置，其特征在于，包括：

获取单元，用于获取神经网络模型；

输入单元，用于将目标数据输入所述神经网络模型，确定所述目标数据对所述神经网络模型中至少一个中间层节点的激活程度；

选择单元，用于根据每个中间层节点的激活程度在所述至少一个中间层节点中选择所述目标数据的聚类节点；

确定单元，用于根据所述聚类节点确定所述目标数据的聚类结果；

其中，所述获取单元包括：接收模块，用于接收输入的所述神经网络模型的结构参数以确定所述神经网络模型的结构；

训练模块，用于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，所述训练样本集中的每个样本包括样本数据和样本类别标签，所述神经网络模型的训练目标为在输入所述样本数据之后的输出与所述样本数据对应的样本类别标签的差距最小；所述样本数据为动物图像，所述样本类别标签为动物的种类，所述中间层节点为动物特征；

所述选择单元包括：

获取模块，用于获取输入的所述聚类节点的数量K；

选择模块，用于根据所述每个中间层节点的激活程度在所述至少一个中间层节点中选择K个节点作为所述聚类节点；

所述选择模块包括：

逻辑模块，用于将所述神经网络模型在接收输入的所述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所述激活程度；

计算模块，用于根据所述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；

选择子模块，用于按照每个中间层节点的排序参数值对所述至少一个中间层节点进行排序，选取前K个节点作为所述聚类节点；

所述装置还包括：

显示单元，用于在对多个目标数据进行聚类并得到聚类结果之后，通过可视化方式显示所述多个目标数据的聚类分布图，其中，在所述样本数据包括多维数据的情况下，所述可视化方式包括使用局部线性嵌入法进行数据降维，并用散点图进行显示。

4.根据权利要求3所述的装置，其特征在于，所述确定单元包括：

分类模块，用于根据选择出的K个聚类节点的组合将所述目标数据划分到所述组合对应的类别。