A. THE ESTIMATION OF NUMBER OF REPR

A. THE ESTIMATION OF NUMBER OF REPRESENTATIVE
CLUSTER CENTRES
Clustering algorithms search for the centres of dense regions
in the given relation to finding a typical session. A subtractive
clustering method [23], [33] is used for estimation of the
number of cluster centres. The subtractive clustering assumes
each data point as a potential cluster centre; it calculates the
possibility of each data point which could be a cluster centre
according to the densities of the surrounding data points.
The Eq. (3) is used for computation of potential density
function (PDF) at every augmented session.
P1 (ASi) =
Xn
j=1
exp
−
dR,ij
ASi
,ASj


r
2
a
!
,
∀i = 1, 2, . . . , m. (3)
Where, dR,ij is the distance between ASj and ASi
. If dR,ij
has less value than ASj and ASi will be more related and will
have major influence on the potential density value P1 (ASi);
otherwise ASj and ASi will be less related and will have
no significant influence on P1 (ASi). The parameter r
2
a
is a
radius and it defines the neighbourhood region of the selected
augmented session ASi
. The sessions outside this radius have
little influence on the potential density value of selected
session.
After computing the PDF values at every session, the session
highest PDF value is selected as the first representative
cluster centre vR,1 by using Eq. (4). If there exists multiple
sessions with the same PDF value, then any one of them may
be randomly chosen.
P1

ASk1


= max
i=1
{P1 (ASi)};
vR,1 ←

ASk1


(4)
The Eq. (5) is used to find the second representative cluster
centre and compute the discounted PDF values in the
neighbourhood region defined by r
2
b
. If dR,ij the Euclidean
distance between ASi and vR,1 is small the effective potential
of each sessions around vR,1will be reduced due to this
subtraction.

ผลลัพธ์ (ไทย) 1:

ก.การประเมินของตัวแทนศูนย์บริการคลัสเตอร์ระบบคลัสเตอร์อัลกอริทึมค้นหาศูนย์กลางของภูมิภาคที่หนาแน่นในความสัมพันธ์ที่กำหนดให้เพื่อค้นหาเซสชันแบบปกติ มีแบบลดทอนใช้วิธีระบบคลัสเตอร์ [23], [33] ในการประมาณการจำนวนศูนย์บริการคลัสเตอร์ คลัสเตอร์แบบลดทอนอนุมานแต่ละจุดข้อมูลเป็นศูนย์บริการคลัสเตอร์อาจเกิดขึ้น คำนวณการเป็นไปได้ของแต่ละจุดข้อมูลซึ่งอาจจะมีศูนย์บริการคลัสเตอร์ตามที่ความหนาแน่นของจุดข้อมูลที่อยู่โดยรอบEq. (3) ใช้ในการคำนวณความหนาแน่นที่อาจเกิดขึ้นฟังก์ชัน (PDF) ในทุกเซสชันออกเมนต์P1 (ASi) =Xnj = 1exp−dR, ijอาซี, ASj
r2มี!,∀i = 1, 2, . . . , m. (3), DR, ij ระยะห่างระหว่าง ASj ASi. ถ้า dR, ijมีค่าน้อยกว่ากว่า ASj และ ASi จะเกี่ยวข้องมากขึ้น และจะมีอิทธิพลสำคัญในค่าความหนาแน่นอาจเกิด P1 (ASi);มิฉะนั้น ASj และ ASi จะเกี่ยวข้องน้อย และจะมีไม่มีอิทธิพลสำคัญใน P1 (ASi) R พารามิเตอร์2มีเป็นการรัศมีและกำหนดพื้นที่ละแวกของที่เลือกยิ่งเซสชัน ASi. เรียนนอกรัศมีนี้เลือกค่าความหนาแน่นอาจมีอิทธิพลน้อยเซสชันหลังจากคำนวณค่า PDF ที่ทุกเซสชัน เซสชันค่าสูงสุดใน PDF ถูกเลือกเป็นตัวแทนแรกคลัสเตอร์ศูนย์ vR, 1 โดย Eq. (4) ถ้ามีหลายอาจมีค่าเดียวกัน PDF แล้วใด ๆ หนึ่งเหล่านี้เลือกแบบสุ่มP1ASk1
=สูงสุดฉัน = 1{ P1 (ASi) };vR, 1 ←ASk1
(4)Eq. (5) ใช้ค้นหาตัวแทนคลัสเตอร์สองศูนย์ และคำนวณค่า PDF ลดราคาในการค้นหาตามภูมิภาคที่กำหนด โดย r2b. ถ้า dR, ij Euclideanระยะทางระหว่าง ASi และ vR, 1 มีขนาดเล็กมีศักยภาพมีประสิทธิภาพแต่ละครั้งรอบ vR, 1will ลดลงนี้ลบ

ผลลัพธ์ (ไทย) 2:

A. การประมาณการจำนวนผู้แทน
CLUSTER CENTRES
ค้นหาขั้นตอนวิธีการจัดกลุ่มสำหรับศูนย์ภูมิภาคหนาแน่น
ในความสัมพันธ์ให้กับการหาเซสชั่นทั่วไป ลด
วิธีการจัดกลุ่ม [23], [33] ถูกนำมาใช้สำหรับการประมาณของ
จำนวนของศูนย์คลัสเตอร์ จัดกลุ่มลดถือว่า
แต่ละจุดข้อมูลเป็นศูนย์กลางคลัสเตอร์ที่อาจเกิดขึ้น มีการคำนวณ
เป็นไปได้ของแต่ละจุดข้อมูลซึ่งอาจจะเป็นศูนย์คลัสเตอร์
ตามความหนาแน่นของจุดข้อมูลโดยรอบ
สม (3) ถูกนำมาใช้ในการคำนวณความหนาแน่นศักยภาพ
ฟังก์ชั่น (PDF) ในเซสชั่นเติมทุก
P1 (ASI) =
Xn
J = 1
ประสบการณ์
-
Dr, IJ
ASI
, ASJ
?
R
2 ! , ∀i = 1, 2, . . เอ็ม (3) ในกรณีที่ดร IJ คือระยะห่างระหว่าง ASJ และ ASI หาก Dr, IJ มีค่าน้อยกว่า ASJ และ ASI จะเกี่ยวข้องมากขึ้นและจะมีอิทธิพลสำคัญในค่าความหนาแน่นที่มีศักยภาพ P1 (ASI); มิฉะนั้น ASJ และ ASI จะเกี่ยวข้องน้อยลงและจะต้องไม่มีอิทธิพลสำคัญใน P1 (ASI) พารามิเตอร์ R 2 เป็นรัศมีและกำหนดเขตพื้นที่ใกล้เคียงของที่เลือกเซสชั่นเติม ASI การประชุมนอกรัศมีแห่งนี้ได้รับผลกระทบเล็กน้อยกับค่าความหนาแน่นของศักยภาพของการเลือกเซสชั่น หลังจากการคำนวณค่ารูปแบบไฟล์ PDF ในทุกเซสชั่นเซสชั่นมูลค่าสูงสุด PDF ถูกเลือกเป็นครั้งแรกที่ตัวแทนกลุ่มศูนย์ VR 1 โดยใช้สมการ (4) ถ้ามีหลายการประชุมที่มีค่าในรูปแบบ PDF เดียวกันแล้วคนใดคนหนึ่งของพวกเขาอาจจะได้รับการสุ่มเลือก P1 ASk1 ? = สูงสุดi = 1 {P1 (ASI)}; VR 1 ← ASk1 ? (4) สม (5) ถูกนำมาใช้เพื่อหาสิ่งที่สองกลุ่มตัวแทนศูนย์และคำนวณค่ารูปแบบไฟล์ PDF ลดในภูมิภาคเขตที่กำหนดโดย R 2 B หาก Dr, IJ ยุคลิดระยะห่างระหว่าง ASI และ VR 1 มีขนาดเล็กมีศักยภาพที่มีประสิทธิภาพของแต่ละรอบการประชุม VR, 1will จะลดลงเนื่องจากนี้ลบ

ผลลัพธ์ (ไทย) 3:

1 . การประมาณจำนวนของตัวแทนศูนย์กลุ่มการจัดกลุ่มขั้นตอนวิธีการค้นหาสำหรับศูนย์กลางของภูมิภาคหนาแน่นได้รับในความสัมพันธ์กับการค้นหาเซสชั่นทั่วไป เป็นลบสำหรับวิธี [ 23 ] , [ 33 ] ใช้สำหรับการประมาณค่าของจำนวนศูนย์กลุ่ม การใช้การแบ่งกลุ่มถือว่าข้อมูลแต่ละจุดศูนย์กลุ่มศักยภาพ มันคำนวณความเป็นไปได้ของข้อมูลแต่ละจุดซึ่งน่าจะเป็นกลุ่มศูนย์ตามความหนาแน่นของรอบจุดข้อมูลส่วนอีคิว ( 3 ) ใช้สำหรับการคำนวณความหนาแน่นของศักยภาพฟังก์ชัน ( PDF ) ที่เติมทุกเซสชันP1 ( ASI ) =ซินJ = 1EXPบริษัท เวสเทิร์นดร , ijดังนั้นasj ,อาร์2เป็น!,∀ i = 1 , 2 , . . . . . . . . เมตร ( 3 ) ,ที่ไหน , ดร , ij คือระยะห่างระหว่าง asj และดังนั้น. ถ้าดร , ijมีค่าน้อยกว่า asj และอาซีจะเพิ่มเติมที่เกี่ยวข้องและจะมีอิทธิพลสำคัญต่อศักยภาพ ความหนาแน่น ค่า P1 ( ASI )มิฉะนั้น asj และอาซีจะน้อยกว่าที่เกี่ยวข้อง และจะได้ไม่พบอิทธิพล P1 ( ASI ) พารามิเตอร์อาร์2เป็นคือรัศมี และกำหนดขอบเขตของการเลือกตาง ๆปริซึม ดังนั้น เซสชั่น. การประชุมนอกรัศมีนี้อิทธิพลต่อความหนาแน่นของการเลือกค่าศักยภาพเซสชันหลังจากคำนวณค่า PDF ทุกเซสชันเซสชันมูลค่าสูงสุด PDF จะถูกเลือกเป็นผู้แทนครั้งแรกศูนย์บริการกลุ่ม VR 1 โดยการใช้อีคิว ( 4 ) หากมีอยู่หลายเซสชันกับค่า PDF เดียว หนึ่งของพวกเขาอาจถูกสุ่มเลือกP1ask1= แม็กซ์ฉัน = 1{ P1 ( ASI ) } ;VR 1 ←ask1( 4 )ส่วนอีคิว ( 5 ) ถูกใช้เพื่อค้นหาตัวแทนกลุ่มที่สองศูนย์และคำนวณส่วนลดค่าในไฟล์เขตที่กำหนดโดย R ตาง ๆ2บี. ถ้าดร , ij ที่ใช้และระยะห่างระหว่างอาซี VR 1 มีขนาดเล็กที่มีศักยภาพที่มีประสิทธิภาพของแต่ละช่วงรอบ VR 1will จะลดลง เนื่องจากนี้ ,ลบ