Resumen

Proponemos un nuevo método de agrupación para datos en coordenadas cilíndricas basado en k-means. El objetivo de la familia k-means es maximizar una función de optimización, que requiere una similitud. Por lo tanto, necesitamos una nueva similitud para obtener el nuevo método de clustering para datos en coordenadas cilíndricas. En este estudio, primero derivamos una nueva similitud para el nuevo método de clustering asumiendo un modelo probabilístico particular. Un punto de datos en coordenadas cilíndricas tiene radio, acimut y altura. Suponemos que el acimut se muestrea a partir de una distribución de von Mises y que el radio y la altura se generan independientemente a partir de distribuciones gaussianas isótropas. Derivamos la nueva similitud a partir de la probabilidad logarítmica de la distribución de probabilidad asumida. Nuestros experimentos demuestran que el método propuesto que utiliza la nueva similitud puede particionar adecuadamente datos sintéticos definidos en coordenadas cilíndricas. Además, aplicamos el método propuesto a la cuantificación de imágenes en color y demostramos que los métodos cuantifican con éxito una imagen en color con respecto al elemento tono.

• Materias:Álgebra Análisis Matemático Ingeniería Matemática aplicada Lógica matemática
• Subjects:Algebra Mathematical Analysis Engineering Applied Mathematics Mathematical logic
• Palabras claves:método de agrupación; datos; coordenadas cilíndricas; k-means; similitud; modelo probabilístico
• Keywords:Clustering method; data; cylindrical coordinates; k-means; similarity; probabilistic model