Abstract

A new combined algorithm of data clustering is presented. This algorithm allows to define the number of clusters when it is not known and get stable partitioning of the data set. Various situations of clusters arrangement for complex algorithm’s work checking were studied. The task was to estimate correct definition of probability of clusters number. Multivariate testing results are also presented. Practical application of this approach in clustering maps of seismic attributes is discussed. These maps can be used for preliminary analysis of seismic facies in the studied areas.

Reference

  •  1) Tarhov D. A., 2005, Neyronnye seti. Modeli i algoritmy: M., Radiotehnika.

  •  2) Rukovodstvo polzovateley po programme SeisProN, 2006: M., OAO “CGE”.

  •  3) Jain A. K., Dubes R. S., 1988, Algorithms for Clustering Data: Michigan State University. Prentice Hall.

  •  4) Pelleg D., Moore A., 2000, X-means: Extending X-means with Efficient Estimation of the Number of Clusters: Proceedings of the Seventeenth International Conference on Machine Learning, 727 - 734.

Комплексный алгоритм кластеризации многомерных данных

Логинов Д.В. Белянушкина М.С. Лухминский Б.Е.

Аннотация

В статье представлено описание комплексного алгоритма кластеризации данных. Алгоритм позволяет определять оптимальное число кластеров в случае, когда отсутствуют априорные знания, и получать устойчивое разбиение множества объектов на кластеры. Приводятся результаты многомерного тестирования для оценки вероятности правильного определения количества кластеров. Практическое применение комплексного алгоритма заключается в кластеризации карт сейсмических атрибутов, которые могут быть использованы для предварительного сейсмофациального анализа.

Информация об авторах

Библиографическая ссылка

Логинов Д.В. Белянушкина М.С. Лухминский Б.Е. Комплексный алгоритм кластеризации многомерных данных // Геофизика. 2007. № 4. С. 29-34.

Список литературы

  •  1) Тархов Д. А., 2005, Нейронные сети. Модели и алгоритмы: М., Радиотехника.

  •  2) Руководство пользователей по программе SeisProN, 2006: М., ОАО “ЦГЭ”.

  •  3) Jain А. К., Dubes R. С., 1988, Algorithms for Clustering Data: Michigan State University. Prentice Hall.

  •  4) Pelleg D., Moore A., 2000, X-means: Extending X-means with Efficient Estimation of the Number of Clusters: Proceedings of the Seventeenth International Conference on Machine Learning, 727 - 734.