Tutorial ini membahas bagaimana menggunakan MATLAB untuk pemrosesan gambar. Beberapa keakraban dengan MATLAB diasumsikan (Anda harus tahu bagaimana menggunakan matriks dan menulis file M). Akan sangat membantu jika memiliki Toolbox Pengolahan Gambar MATLAB, tapi untungnya, tidak ada kotak peralatan yang dibutuhkan untuk sebagian besar operasi. Perintah yang membutuhkan Image Toolbox ditunjukkan dengan Image Toolbox. Representasi gambar Ada lima jenis gambar dalam MATLAB. Grayscale. Gambar grayscale M piksel tinggi dan lebar N piksel direpresentasikan sebagai matriks tipe datatype ganda dengan ukuran M N. Nilai elemen (mis., MyImage (m, n)) menunjukkan intensitas piksel grayscale dalam 0,1 dengan 0black dan 1white. RGB truecolor. Gambar truecolor red-green-blue (RGB) diwakili sebagai matriks ganda M-3 tiga dimensi. Setiap piksel memiliki komponen merah, hijau, biru di sepanjang dimensi ketiga dengan nilai 0,1, misalnya komponen warna piksel (m, n) adalah MyImage (m, n, 1) merah, MyImage (m, n, 2) hijau, MyImage (m, n, 3) biru. Indeks. Gambar indeks (paletted) diwakili dengan matriks indeks dengan ukuran M N dan matriks colormap dengan ukuran K3. Colormap memegang semua warna yang digunakan pada gambar dan matriks indeks mewakili piksel dengan mengacu pada warna pada colormap. Misalnya, jika warna ke 22 adalah magenta MyColormap (22, :) 1,0,1. Maka MyImage (m, n) 22 adalah piksel berwarna magenta. Citra biner diwakili oleh matriks logika M N dimana nilai pikselnya adalah 1 (true) atau 0 (false).uint8. Jenis ini menggunakan sedikit memori dan beberapa operasi menghitung lebih cepat dibandingkan dengan tipe ganda. Untuk kesederhanaan, tutorial ini tidak membahas uint8 lebih jauh. Grayscale biasanya merupakan format yang disukai untuk pemrosesan gambar. Dalam kasus yang membutuhkan warna, gambar warna RGB dapat didekomposisi dan ditangani sebagai tiga gambar grayscale yang terpisah. Gambar terindeks harus dikonversi menjadi grayscale atau RGB untuk sebagian besar operasi. Berikut adalah beberapa manipulasi dan konversi yang umum. Beberapa perintah memerlukan Image Toolbox dan ditunjukkan dengan Image Toolbox. Membaca dan menulis file gambar MATLAB bisa membaca dan menulis gambar dengan imft dan imwrite commands. Meskipun cukup banyak format file yang didukung, ada juga yang tidak. Gunakan imformats untuk melihat apa yang didukung oleh pemasangan Anda: Saat membaca gambar, masalah yang tidak menguntungkan adalah imver mengembalikan data gambar pada datatype uint8, yang harus dikonversi menjadi dua kali lipat dan diganti ulang sebelum digunakan. Jadi alih-alih memanggil imread secara langsung, saya menggunakan fungsi M-file berikut untuk membaca dan mengubah gambar: Klik kanan dan simpan getimage. m untuk menggunakan fungsi M ini. Jika gambar baboon. png ada di direktori saat ini (atau di suatu tempat di jalur pencarian MATLAB), Anda dapat membacanya dengan MyImage getimage (baboon. png). Anda juga bisa menggunakan jalur parsial, misalnya jika gambar berada pada direktori saat ini dengan getimage (imagesbaboon. png). Untuk menulis gambar grayscale atau RGB, gunakan Berhati-hatilah bahwa MyImage adalah matriks ganda dengan elemen dalam 0,1 jika tidak bersesuaian, file yang tersimpan mungkin akan kosong. Saat menulis file gambar, saya sangat menyarankan penggunaan format file PNG. Format ini adalah pilihan yang andal karena lossless, mendukung truecolor RGB, dan kompres dengan cukup baik. Gunakan format lain dengan hati-hati. Operasi dasar Berikut adalah beberapa operasi dasar pada gambar grayscale u. Perintah yang membutuhkan Image Toolbox ditunjukkan dengan Image Toolbox. (Catatan: Untuk array apapun, sintaks u (:) berarti membuka gulungan u ke vektor kolom. Misalnya, jika u 1,50,2, maka u (:) adalah 1052). Misalnya, kekuatan sinyal gambar digunakan pada Menghitung rasio signal-to-noise (SNR) dan rasio signal-to-noise (PSNR) puncak. Diberikan citra bersih uclean dan gambar yang terkontaminasi kebisingan u, hati-hati dengan norma. Perilaku adalah norma (v) pada vektor v menghitung sqrt (jumlah (v.2)). Tapi norma (A) pada matriks A menghitung norma matriks L2 induksi, Jadi norma (A) tentu tidak sqrt (jumlah (A (:) 2)). Bagaimanapun, ini merupakan kesalahan yang mudah untuk menggunakan norma (A) di mana seharusnya menjadi norma (A (:)). Linear filter Linear filtering adalah teknik dasar pemrosesan sinyal. Untuk memperkenalkan secara singkat, filter linier adalah operasi dimana pada setiap piksel x m, n dari sebuah gambar, fungsi linear dievaluasi pada pixel dan tetangganya untuk menghitung nilai piksel baru y m, n. Sebuah filter linear dalam dua dimensi memiliki bentuk umum dimana x adalah input, y adalah outputnya, dan h adalah respon impuls filter. Pilihan h yang berbeda mengarah ke filter yang menghaluskan, mempertajam, dan mendeteksi tepinya, untuk memberi beberapa aplikasi. Sisi kanan dari persamaan di atas dilambangkan ringkas seperti h x dan disebut konvolusi h dan x. Penyaringan domain spasial Pemilahan linear dua dimensi diterapkan pada MATLAB dengan conv2. Sayangnya, conv2 hanya bisa menangani penyaringan di dekat batas gambar dengan zero-padding, yang berarti hasil penyaringan biasanya tidak sesuai untuk piksel yang dekat dengan batas. Untuk mengatasi hal ini, kita bisa memberi masukan pada gambar masukan dan gunakan opsi yang valid saat memanggil conv2. Fungsi M berikut melakukan ini. Klik kanan dan simpan conv2padded. m untuk menggunakan fungsi M ini. Berikut adalah beberapa contohnya: Filter 2D h dikatakan terpisah jika dapat dinyatakan sebagai produk luar dari dua filter 1D h1 dan h2. Yaitu, h h1 (:) h2 (:). Lebih cepat lewat h1 dan h2 daripada h. Seperti yang dilakukan di atas untuk jendela rata-rata bergerak dan filter Gaussian. Sebenarnya, sobel filter hx dan hy juga separablewhat adalah h1 dan h2 Penyaring domain empatier Penyaringan domain spasial dengan conv2 dengan mudah merupakan operasi yang sangat mahal. Untuk filter K K pada gambar M N, biaya tambahan dan multiplikasi V2 (MNK 2), atau O (N 4) seandainya M N K. Untuk filter besar, penyaringan di domain Fourier lebih cepat karena biaya komputasi dikurangi menjadi O (N 2 log N). Dengan menggunakan sifat perkalian konvolusi dari transformasi Fourier, konvolusi dihitung secara ekivalen oleh Hasilnya setara dengan conv2padded (x, h) kecuali di dekat batas, di mana perhitungan di atas menggunakan perpanjangan batas periodik. Penyaringan berbasis Fourier juga dapat dilakukan dengan perpanjangan batas simetris dengan memantulkan masukan ke setiap arah: (Catatan: Metode yang lebih efisien lagi adalah penyaringan tumpang tindih FFT. Toolbox Pemrosesan Sinyal menerapkan tumpang tindih FFT-satu dimensi dalam fftfilt .) Filter nonlinier Filter nonlinier adalah operasi dimana masing-masing piksel pixel disaring, n adalah fungsi nonlinear xm, n dan tetangganya. Disini kita secara singkat membahas beberapa jenis filter nonlinier. Filter statistik pesanan Jika Anda memiliki Image Toolbox, filter statistik pesanan dapat dilakukan dengan ordfilt2 dan medfilt2. Filter statistik pesanan memilah nilai piksel di atas lingkungan dan memilih nilai terbesar k. Filter min, max, dan median adalah kasus khusus. Filter morfologi Jika Anda memiliki Image Toolbox, bwmorph menerapkan berbagai operasi morfologi pada gambar biner, seperti erosi, pelebaran, terbuka, dekat, dan kerangka. Ada juga perintah yang tersedia untuk morfologi gambar grayscale: imerode. Imdilate dan imtophat. diantara yang lain. Buat filter Anda sendiri Terkadang kita ingin menggunakan filter baru yang tidak dimiliki MATLAB. Kode di bawah ini adalah template untuk menerapkan filter. (Catatan: Klaim yang sering salah arah adalah bahwa loop di MATLAB lambat dan harus dihindari. Ini pernah benar, kembali ke MATLAB 5 dan lebih awal, tapi loop dalam versi modern cukup cepat.) Misalnya, filter mean alpha-trimmed Mengabaikan d 2 terendah dan d 2 nilai tertinggi di jendela, dan rata-rata nilai sisa (2 r 1) 2 d. Filter adalah keseimbangan antara filter median dan filter rata-rata. Filter mean alpha-trimmed dapat diimplementasikan dalam template sebagai contoh lainnya, filter bilateral adalah1.2 Built-in Types of Data Tipe data adalah seperangkat nilai dan satu set operasi yang didefinisikan pada keduanya. Sebagai contoh, kita mengenal bilangan dan operasi yang didefinisikan pada mereka seperti penambahan dan perkalian. Ada delapan tipe data built-in yang berbeda di Jawa, kebanyakan jenis angka. Kami menggunakan tipe sistem untuk senar karakter begitu sering sehingga kami juga mempertimbangkannya disini. Terminologi. Kami menggunakan fragmen kode berikut untuk mengenalkan beberapa terminologi: Baris pertama adalah pernyataan deklarasi yang menyatakan nama tiga variabel dengan menggunakan pengenal a. B. Dan c dan tipe mereka menjadi int. Tiga baris berikutnya adalah pernyataan tugas yang mengubah nilai variabel, menggunakan literal 1234 dan 99. Dan ungkapan a b. Dengan hasil akhirnya c memiliki nilai 1333. Karakter dan senar. Karakter char adalah karakter alfanumerik atau simbol, seperti karakter yang Anda ketik. Kami biasanya tidak melakukan operasi apapun pada karakter selain menugaskan nilai ke variabel. String adalah urutan karakter. Operasi yang paling umum yang kita lakukan pada senar dikenal sebagai rangkaian. Diberi dua senar, rantai mereka bersama-sama untuk membuat string baru. Sebagai contoh, perhatikan fragmen program Java berikut: Pernyataan pertama menyatakan tiga variabel sebagai tipe String. Tiga pernyataan berikut memberikan nilai kepada mereka, dengan hasil akhir bahwa c memiliki nilai Hello, Bob. Dengan menggunakan string concatenation, Ruler. java mencetak panjang relatif dari subdivisi pada penggaris. Integer. Int int adalah bilangan bulat (bilangan bulat) antara minus2 31 dan 2 31 minus 1 (minus2,147,483,648 sampai 2,147,483,647). Kami menggunakan int s sering bukan hanya karena sering terjadi di dunia nyata, tapi juga secara alami muncul saat mengekspresikan algoritma. Operator aritmatika standar untuk penambahan, perkalian, dan pembagian, untuk bilangan bulat dibangun ke Jawa, seperti yang digambarkan pada IntOps. java dan tabel berikut: Angka floating-point. Tipe ganda adalah untuk mewakili bilangan floating-point, mis. Untuk digunakan dalam aplikasi ilmiah. Representasi internal seperti notasi ilmiah, sehingga kita bisa menghitung dengan bilangan real dalam kisaran yang sangat besar. Kita dapat menentukan nomor floating point dengan menggunakan serangkaian digit dengan titik desimal, mis. 3,14159 untuk pendekatan enam digit ke pi konstan matematika, atau dengan notasi seperti notasi ilmiah, mis. 6.022E23 untuk konstanta Avogadros 6.022 kali 10 23. Operator aritmatika standar untuk penambahan, perkalian, dan pembagian, untuk ganda dibangun di Jawa, seperti yang digambarkan pada DoubleOps. java dan tabel berikut: Quadratic. java menunjukkan penggunaan ganda dalam komputasi Dua akar persamaan kuadrat menggunakan rumus kuadrat. Boolean. Tipe boolean hanya memiliki dua nilai: true atau false. Kesederhanaan yang jelas adalah menipu botani berdasar pada ilmu komputer. Operator yang paling penting yang didefinisikan untuk boolean adalah untuk dan. atau . dan tidak . Dan. B benar jika keduanya a dan b benar, dan salah sebaliknya. atau . B benar jika salah satu atau b benar (atau keduanya benar), dan salah jika tidak. A benar jika salah, dan salah. Meskipun definisi ini intuitif dan mudah dipahami, sangat berguna untuk menentukan secara penuh setiap kemungkinan untuk setiap operasi dalam tabel kebenaran. Perbandingan Operator pembanding adalah operasi tipe campuran yang menggunakan operan satu jenis (misalnya int atau double) dan menghasilkan hasil tipe boolean. Operasi ini memainkan peran penting dalam proses pengembangan program yang lebih canggih. LeapYear. java menguji apakah bilangan bulat sesuai dengan tahun kabisat dalam kalender Gregorian. Metode dan API perpustakaan Banyak tugas pemrograman melibatkan penggunaan metode perpustakaan Java selain operator built-in. Antarmuka pemrograman aplikasi adalah tabel yang merangkum metode di perpustakaan. Mencetak string ke jendela terminal. Mengubah string menjadi tipe primitif. Fungsi matematika Anda bisa memanggil metode dengan mengetik namanya diikuti dengan argumen. Terlampir dalam tanda kurung dan dipisahkan dengan koma. Berikut adalah beberapa contohnya: Kita sering menemukan diri kita mengubah data dari satu jenis ke tipe yang lain dengan menggunakan salah satu pendekatan berikut. Konversi tipe. Kita sering menemukan diri kita mengubah data dari satu jenis ke tipe lain menggunakan salah satu dari pendekatan berikut. Konversi jenis eksplisit Metode panggilan seperti Math. round (). Integer. parseInt (). Dan Double. parseDouble (). Konversi tipe otomatis Untuk tipe numerik primitif, sistem secara otomatis melakukan konversi tipe saat kita menggunakan nilai yang memiliki rentang nilai lebih besar dari yang diharapkan. Tembakan eksplisit. Java juga memiliki beberapa metode konversi tipe built-in untuk tipe primitif yang dapat Anda gunakan saat Anda sadar bahwa Anda mungkin kehilangan informasi, namun Anda harus membuat niat menggunakan sesuatu yang disebut pemeran. RandomInt. java membaca argumen baris perintah integer n dan mencetak bilangan bulat acak antara 0 dan n minus1. Konversi otomatis untuk senar. String tipe built-in mematuhi peraturan khusus. Salah satu aturan khusus ini adalah Anda dapat dengan mudah mengkonversikan semua jenis data ke String dengan menggunakan operator. Misalkan a dan b adalah nilai int. Apa urutan pernyataan berikut yang dilakukan Solusi. Menetapkan a. B. Dan t sama dengan nilai asli a. Misalkan a dan b adalah nilai int. Sederhanakan ungkapan berikut: ((a b)) Solusi. (A b) Operator eksklusif atau operator untuk operan boolean didefinisikan benar jika berbeda, salah jika keduanya sama. Berikan tabel kebenaran untuk fungsi ini. Mengapa memberi 3 dan tidak 3.33333333. Solusi. Karena keduanya 10 dan 3 adalah literal bilangan bulat, Java melihat tidak perlu konversi tipe dan menggunakan divisi bilangan bulat. Anda harus menulis 10.03.0 jika Anda bermaksud angka menjadi literal ganda. Jika Anda menulis 103.0 atau 10.03. Java melakukan konversi implisit untuk mendapatkan hasil yang sama. Apa yang tercetak masing-masing dari cetakan System. out. println (2 bc) berikut ini: 2bc System. out. println (2 3 bc) dicetak: 5bc System. out. println ((23) bc) mencetak: 5bc System. out. Cetakan println (bc (23)): bc5 System. out. println (bc 2 3) prints: bc23 Jelaskan setiap hasil. Jelaskan bagaimana menggunakan Quadratic. java untuk menemukan akar kuadrat dari sebuah bilangan. Solusi. Untuk menemukan akar kuadrat dari c, temukan akar x2 0x - c. Seorang siswa fisika mendapatkan hasil yang tidak diharapkan saat menggunakan kode untuk menghitung nilai sesuai dengan rumus F G m 1 m 2 r 2. Jelaskan masalah dan perbaiki kode. Solusi. Ini terbagi oleh r. Kemudian dikalikan dengan r (bukan membagi dengan r r). Gunakan tanda kurung: Tuliskan program Distance. java yang mengambil dua argumen baris perintah integer x dan y dan cetak jarak Euclidean dari titik (x. Y) ke titik asal (0, 0). Tuliskan sebuah program SumOfTwoDice. java yang mencetak jumlah dua bilangan bulat acak antara 1 dan 6 (seperti yang mungkin Anda dapatkan saat memutar dadu). Tuliskan sebuah program SpringSeason. java yang mengambil dua nilai int m dan d dari baris perintah dan mencetak true jika hari ke bulan m adalah antara 20 Maret (m 3, d 20) dan 20 Juni (m 6, d 20), salah jika tidak. Latihan Kreatif Angin dingin. Mengingat suhu t (dalam Fahrenheit) dan kecepatan angin v (dalam mil per jam), National Weather Service mendefinisikan suhu efektif (angin dingin) menjadi: w 35,74 0,6215 t (0,4275 t - 35,75) v 0,16 Tuliskan Program WindChill. java yang mengambil dua argumen command-line ganda t dan v dan mencetak angin dingin. Gunakan Math. pow (a, b) untuk menghitung b. Catatan: rumus tidak valid jika t lebih besar dari 50 dalam nilai absolut atau jika v lebih besar dari 120 atau kurang dari 3 (Anda dapat mengasumsikan bahwa nilai yang Anda dapatkan berada dalam kisaran tersebut). Koordinat polar Tuliskan sebuah program CartesianToPolar. java yang mengkonversi dari koordinat Cartesian ke polar. Program Anda harus mengambil dua bilangan real x dan y pada baris perintah dan mencetak koordinat kutub r dan theta. Gunakan metode Java Math. atan2 (y, x). Yang menghitung nilai arctherent yx yang ada dalam range dari - pi to pi. Hari di minggu ini. Tuliskan sebuah program DayOfWeek. java yang mengambil tanggal sebagai masukan dan mencetak hari dalam minggu yang jatuh. Program Anda harus mengambil tiga argumen baris perintah: m (bulan), d (hari), dan y (tahun). Untuk m gunakan 1 untuk bulan Januari, 2 untuk bulan Februari, dan seterusnya. Untuk hasil cetak 0 untuk hari Minggu, 1 untuk hari Senin, 2 untuk hari Selasa, dan seterusnya. Gunakan rumus berikut, untuk kalender Gregorian (di mana menunjukkan pembagian bilangan bulat): y 0 y minus (14 minus m) 12 xy 0 y 0 4 minus y 0 100 y 0 400 m 0 m 12 kali ((14 minus m) 12 ) Minus 2 d 0 (dx 31 m 0 12) mod 7 Misalnya, pada hari mana minggu itu adalah 2 Agustus 1953 Nomor acak seragam. Tuliskan program Stats5.java yang mencetak lima nilai acak seragam antara 0 dan 1, nilai rata-ratanya, dan nilai minimum dan maksimumnya. Gunakan Math. random (). Math. min (). Dan Math. max (). Tiga macam. Tuliskan sebuah program ThreeSort. java yang mengambil tiga nilai int dari command line dan mencetaknya dalam urutan menaik. Gunakan Math. min () dan Math. max (). Lonceng naga Tulis sebuah program Dragon. java untuk mencetak instruksi untuk menggambar kurva naga dari pesanan 0 sampai 5. Instruksi adalah string dari karakter F. L. Dan R. Dimana F berarti menarik garis saat bergerak 1 unit ke depan, L berarti belok kiri, dan R berarti belok kanan. Lengkung naga dari n order terbentuk saat Anda melipat selembar kertas menjadi setengah n kali, lalu dilipat ke sudut kanan. Kunci untuk memecahkan masalah ini adalah dengan mencatat bahwa kurva n order adalah lekukan order n dikurangi1 diikuti oleh L diikuti oleh kurva orde n dikurangi1 yang dilalui dalam urutan terbalik, dan kemudian untuk mengetahui gambaran yang sama dari reverse melengkung. Latihan Web Tuliskan sebuah program Swap. java yang mengambil dua argumen baris perintah integer a dan b dan swap nilainya menggunakan idiom bertukar yang dijelaskan pada hlm. 17. Setelah setiap pernyataan tugas, gunakan System. out. println () untuk mencetak jejak variabel. Apa yang dilakukan pernyataan berikut di mana kelas adalah variabel tipe int. Solusi. Kesalahan sintaks sejakDokumentasi idx kmeans (X, k) melakukan pengelompokan k-berarti untuk mempartisi pengamatan matriks data n - by-p X ke dalam k cluster, dan mengembalikan sebuah vektor n - by-1 (idx) yang berisi indeks cluster masing-masing. pengamatan. Baris X sesuai dengan titik dan kolom sesuai dengan variabel. Secara default, kmeans menggunakan ukuran Euclidean kuadrat dan algoritma k-means untuk inisialisasi cluster center. Idx kmeans (X, k, Name, Value) mengembalikan indeks cluster dengan opsi tambahan yang ditentukan oleh satu atau lebih nama, argumen pasangan nilai. Misalnya, tentukan jarak kosinus, berapa kali pengulangan clustering menggunakan nilai awal yang baru, atau gunakan komputasi paralel. Idx, C kmeans () mengembalikan lokasi k cluster centroid pada matriks k - by-p C. Data Cluster Menggunakan Paralel Computing Clustering kumpulan data yang besar mungkin memerlukan waktu, terutama jika Anda menggunakan pembaruan online (ditetapkan secara default). Jika Anda memiliki lisensi Paralel Computing Toolboxx2122 dan Anda memanggil sekelompok pekerja, maka kmeans menjalankan setiap tugas pengelompokan (atau mereplikasi) secara paralel. Oleh karena itu, jika Replikasi gt 1, maka komputasi paralel akan mengurangi waktu untuk konvergensi. Secara acak menghasilkan kumpulan data yang besar dari model campuran Gaussian. Mdl adalah model gmdistribusi 30 dimensi dengan 20 komponen. X adalah matriks data 10000-sampai-30 yang dihasilkan dari Mdl. Ajukan sekelompok pekerja paralel. Tentukan pilihan untuk komputasi paralel. Argumen masukan mlfg633164 dari RandStream menentukan untuk menggunakan algoritma pengganda Fibonacci multiplicative lagged. Pilihan adalah array struktur yang berisi bidang yang menentukan pilihan untuk mengendalikan estimasi. Jendela Perintah menunjukkan bahwa empat pekerja tersedia. Jumlah pekerja mungkin berbeda pada sistem Anda. Cluster data menggunakan k-means clustering. Tentukan bahwa ada k 20 cluster dalam data dan meningkatkan jumlah iterasi. Biasanya, fungsi tujuan mengandung minima lokal. Tentukan 10 ulangan untuk membantu menemukan minimum lokal yang lebih rendah. Jendela Perintah menampilkan jumlah iterasi dan nilai fungsi tujuan terminal untuk masing-masing ulangan. Argumen output berisi hasil replikasi 9 karena memiliki jumlah jarak yang paling rendah. Argumen Nama-Nilai Pasangan Tentukan pasangan Nama yang dipisahkan koma pilihan, Argumen nilai. Nama adalah nama argumen dan Nilai adalah nilai yang sesuai. Nama harus muncul di dalam tanda kutip tunggal (). Anda dapat menentukan beberapa argumen nama dan nilai pasangan dalam urutan apapun sebagai Name1, Value1. NameN, ValueN. Contoh: Distance, cosine, Replicates, 10, Options, statset (UseParallel, 1) menentukan jarak kosinus, 10 cluster ulangan pada nilai awal yang berbeda, dan untuk menggunakan komputasi paralel. Tampilan 8212 Tingkat output untuk menampilkan off (default) final iter Tingkat output yang akan ditampilkan di Command Window, ditentukan sebagai pasangan yang dipisahkan koma yang terdiri dari Display dan salah satu dari pilihan berikut: final 8212 Menampilkan hasil iterasi iterasi akhir 8212 Menampilkan hasil setiap iterasi dari 8212 Tidak menampilkan objek RandStream atau rangkaian sel objek tersebut. Jika Anda tidak menentukan Streaming. Kmeans menggunakan aliran default atau aliran. Jika Anda menentukan Aliran. Gunakan satu objek kecuali bila: Anda memiliki kolam paralel terbuka UseParallel benar. UseSubstreams salah Dalam hal ini, gunakan sel array dengan ukuran yang sama dengan kolam paralel. Jika kolam paralel tidak terbuka, maka Stream harus menyediakan satu aliran bilangan acak tunggal. Jika benar. Replikasi gt 1, dan jika sekelompok pekerja paralel dari Parallel Computing Toolbox terbuka, maka perangkat lunak tersebut mengimplementasikan k-means pada setiap replikasi secara paralel. Jika Parallel Computing Toolbox tidak terpasang, atau kolam paralel pekerja tidak terbuka, perhitungan terjadi dalam mode serial. Default adalah default. Artinya perhitungan serial. Atur ke true untuk menghitung secara paralel dengan cara yang dapat direproduksi. Defaultnya salah Untuk menghitung reproducibly, setel Stream ke tipe yang memungkinkan substreams: mlfg633164 atau mrg32k3a. Untuk memastikan hasil yang lebih dapat diprediksi, gunakan parpool dan buat secara eksplisit membuat kolam paralel sebelum meminta kmeans dan setting Options, statset (UseParallel, 1). Replikasi 8212 Beberapa kali mengulang pengelompokan menggunakan posisi sentris cluster awal yang baru 1 (default) bilangan bulat positif Beberapa kali mengulang pengelompokan menggunakan posisi sentris cluster awal yang baru, yang ditentukan sebagai pasangan yang dipisahkan koma yang terdiri dari Replikat dan bilangan bulat. Kmeans mengembalikan solusinya dengan jumlah terendah. Anda dapat mengatur Replikasinya secara implisit dengan menyediakan array 3-D sebagai nilai untuk argumen nama belakang nama-nama. Tipe Data: single ganda Mulai 8212 Metode untuk memilih posisi sentris cluster awal ditambah (default) sampel cluster seragam numerik numerik numerik array Metode untuk memilih posisi sentris cluster awal (atau benih), ditentukan sebagai pasangan yang dipisahkan koma yang terdiri dari Start and cluster. plus. mencicipi. seragam. Matriks numerik, atau susunan numerik. Tabel ini merangkum pilihan yang tersedia untuk memilih benih. K - Means Clustering k-means clustering. Atau algoritma Lloyds 2. adalah algoritma iteratif, data-partitioning yang memberikan n pengamatan ke salah satu k cluster yang didefinisikan oleh centroid, di mana k dipilih sebelum algoritma dimulai. Algoritma berjalan sebagai berikut: Pilih k pusat cluster awal (centroid). Sebagai contoh, pilih k observasi secara acak (dengan menggunakan Start, sample) atau gunakan algoritma k-how untuk inisialisasi cluster center (default). Hitung jarak point-to-cluster-centroid dari semua pengamatan ke setiap sentroid. Ada dua cara untuk melanjutkan (ditentukan oleh OnlinePhase): Batch update 8212 Tetapkan setiap pengamatan ke cluster dengan centroid terdekat. Pembaruan online 8212 Secara individu menetapkan pengamatan ke pusat massa yang berbeda jika penugasan kembali mengurangi jumlah titik dalam cluster, jumlah kuadrat dari jarak point-to-cluster-centroid. Hitung rata-rata pengamatan di setiap cluster untuk mendapatkan k lokasi sentroid baru. Ulangi langkah 2 sampai 4 sampai tugas cluster tidak berubah, atau jumlah iterasi maksimal tercapai. Algoritma k-Means Algoritma k-means menggunakan heuristik untuk menemukan benih centroid untuk k-means clustering. Menurut Arthur dan Vassilvitskii 1. k-berarti memperbaiki waktu eksekusi algoritma Lloyds, dan kualitas solusi akhir. Algoritma k-mean memilih benih sebagai berikut, dengan asumsi jumlah cluster adalah k. Pilih observasi secara seragam secara acak dari kumpulan data, X. Observasi yang dipilih adalah centroid pertama, dan dilambangkan c 1. Hitung jarak dari setiap pengamatan ke c 1. Menunjukkan jarak antara cj dan observasi m sebagai d (x m. C j). Pilih centroid berikutnya, c 2 secara acak dari X dengan probabilitas d 2 (x m c 1) x2211 j 1 n d 2 (x j c 1). Untuk memilih pusat j: Hitung jarak dari setiap pengamatan ke masing-masing sentroid, dan tetapkan setiap pengamatan ke centroid terdekatnya. Untuk m 1. n dan p 1. j 8211 1, pilih centroid j secara acak dari X dengan probabilitas d 2 (x m. C p) x2211 x007B h x h x2208 C p x007D d 2 (x h. C p). Dimana C p adalah himpunan semua pengamatan yang paling dekat dengan centroid c p dan x m milik C p. Artinya, pilih setiap pusat berikutnya dengan probabilitas sebanding dengan jarak dari dirinya ke pusat terdekat yang sudah Anda pilih. Ulangi langkah 4 sampai k centroid dipilih. Arthur dan Vassilvitskii 1 menunjukkan, dengan menggunakan studi simulasi untuk beberapa orientasi cluster, k-mean mencapai konvergensi yang lebih cepat ke jumlah yang lebih rendah dalam jarak cluster, jarak tempuh point-to-cluster-centroid daripada algoritma Lloyds. Tall Array Support Fungsi ini mendukung array tinggi untuk data out-of-memory dengan beberapa keterbatasan. Hanya inisialisasi sampel acak yang didukung. Sintaks yang didukung: idx kmeans (X, k) melakukan k-means clustering klasik. Idx, C kmeans (X, k) juga mengembalikan lokasi k cluster centroid. Idx, C, sumd kmeans (X, k) juga mengembalikan k dalam-jumlah cluster jarak point-to-centroid. Kmeans (, Name, Value) menentukan opsi pasangan nama-nilai tambahan menggunakan sintaks lain. Pilihan yang valid adalah: Mulai 8212 Metode yang digunakan untuk memilih posisi sentris cluster awal. Nilai dapat berupa: plus (default) 8212 Pilih k pengamatan dari X menggunakan varian dari algoritma kmeans yang disesuaikan untuk data tinggi. Sampel 8212 Pilih k pengamatan dari X secara acak. Matriks numerik 8212 Matriks k-by-p untuk secara eksplisit menentukan lokasi awal. Pilihan 8212 Struktur pilihan dibuat dengan menggunakan fungsi statset. Untuk array tinggi, kmeans menggunakan bidang yang tercantum di sini dan mengabaikan semua bidang lainnya dalam struktur opsi: Display 8212 Level of display. Pilihan adalah iter (default), off. Dan final. MaxIter 8212 Jumlah iterasi maksimum. Default adalah 100. TolFun 8212 Toleransi konvergensi untuk jarak dalam cluster jarak point-to-centroid. Defaultnya adalah 1e-4. Bidang pilihan ini hanya bekerja dengan array tinggi. Untuk informasi lebih lanjut, lihat Tall Arrays. Algoritma kmeans menggunakan algoritma iteratif dua fasa untuk meminimalkan jumlah jarak point-to-centroid, yang dijumlahkan pada semua k cluster. Tahap pertama ini menggunakan update batch. Dimana setiap iterasi terdiri dari titik-titik penugasan kembali ke centroid cluster terdekat mereka, sekaligus, diikuti dengan kalkulasi ulang centroid cluster. Fase ini terkadang tidak menyatu dengan solusi yang merupakan minimum lokal. Artinya, sebuah partisi dari data dimana memindahkan satu titik ke cluster yang berbeda akan meningkatkan jumlah total jarak. Ini lebih mungkin untuk kumpulan data kecil. Fase batch cepat, namun berpotensi hanya mendekati solusi sebagai titik awal untuk fase kedua. Tahap kedua ini menggunakan update online. Dimana titik-titik ditugaskan kembali secara individual jika mengurangi jumlah jarak, dan centroid cluster dihitung ulang setelah setiap penugasan kembali. Setiap iterasi selama fase ini terdiri dari satu celah meskipun semua titik. Fase ini menyatu dengan minimum lokal, meskipun mungkin ada minima lokal lainnya dengan jumlah jarak yang jauh lebih rendah. Secara umum, menemukan minimum global dipecahkan dengan pilihan titik awal yang lengkap, namun dengan menggunakan beberapa ulangan dengan titik awal acak biasanya menghasilkan solusi yang merupakan minimum global. Jika Replika r gt 1 dan Start adalah plus (default), maka perangkat lunak memilih r kemungkinan set benih yang berbeda sesuai algoritma k-means. Jika Anda mengaktifkan opsi UseParallel di Options and Replicates gt 1, maka setiap pekerja memilih benih dan kelompok secara paralel. Referensi 1 Arthur, David, dan Sergi Vassilvitskii. K-means: Keuntungan Pembedahan Hati-hati. SODA 821607: Prosiding Simposium ACM-SIAM Tahunan ke delapan belas tentang Algoritma Diskrit. 2007, hlm. 102782111035. 2 Lloyd, Stuart P. Kuadrat Kuadrat Terkecil di PCM. Transaksi IEEE pada Teori Informasi. Vol. 28, 1982, hlm. 1298211137. 3 Observasi Seber, G. A. F. Multivariat. Hoboken, NJ: John Wiley amp Sons, Inc. 1984. 4 Spath, H. Cluster Dissection and Analysis: Theory, FORTRAN Programs, Example. Diterjemahkan oleh J. Goldschmidt. New York: Halsted Press, 1985. Pilih Negara Anda
No comments:
Post a Comment