• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Information visualization >Visual Cluster Analysis Of Trajectory Data With Interactive Kohonen Maps
【24h】

Visual Cluster Analysis Of Trajectory Data With Interactive Kohonen Maps

机译：交互式Kohonen映射对轨迹数据进行可视聚类分析

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Visual-interactive cluster analysis provides valuable tools for effectively analyzing large and complex data sets. Owing to desirable prop-erties and an inherent predisposition for visualization, the Kohonen Feature Map (or Self-Organizing Map or SOM) algorithm is among the most popular and widely used visual clustering techniques. However, the unsupervised nature of the algorithm may be disadvantageous in certain applications. Depending on initialization and data characteristics, cluster maps (cluster layouts) may emerge that do not comply with user preferences, expecta-tions or the application context. Considering SOM-based analysis of trajectory data, we propose a comprehensive visual-interactive monitoring and control framework extending the basic SOM algorithm. The framework implements the general Visual Analytics idea to effectively combine automatic data anal-ysis with human expert supervision. It provides simple, yet effective facilities for visually monitoring and interactively controlling the trajectory clustering process at arbitrary levels of detail. The approach allows the user to leverage existing domain knowledge and user preferences, arriving at improved cluster maps. We apply the framework on several trajectory clustering problems, demonstrating its potential in combining both unsupervised (machine) and supervised (human expert) processing, in producing appropriate cluster results.
机译：可视交互群集分析为有效分析大型和复杂数据集提供了宝贵的工具。由于具有理想的属性和可视化的固有倾向，Kohonen特征图（或自组织图或SOM）算法是最受欢迎和广泛使用的视觉聚类技术之一。但是，算法的无监督性质在某些应用中可能是不利的。根据初始化和数据特征，可能会出现不符合用户首选项，期望或应用程序上下文的群集映射（群集布局）。考虑到基于SOM的轨迹数据分析，我们提出了一种扩展基本SOM算法的全面的视觉交互监视和控制框架。该框架实施了通用的Visual Analytics想法，以有效地将自动数据分析与人工专家监督相结合。它提供了简单而有效的工具，可以以任意级别的细节直观地监视和交互式控制轨迹聚类过程。该方法允许用户利用现有的领域知识和用户偏好，从而获得改进的集群图。我们将该框架应用于几个轨迹聚类问题，展示了其在组合无监督（机器）和有监督（人类专家）的处理过程中产生适当聚类结果的潜力。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号