[发明专利]一组对象的划分方法和在一组对象划分中进行搜索的方法

说明书

发明领域

本发明涉及划分一组对象的划分方法，包括：

初次反复划分步骤，这一步骤使用由包含对象的等级构成的初次划分，以及在每次反复中组合了最大化两个相似度的基准的等级用来产生一种新的划分以作为下一步的初始划分，直到获得了只包含一个等级的划分；

从获得的划分中选择一个包含最佳等级数目的划分的选择步骤。

本发明也涉及划分一组对象的多级划分方法，它也采用了这种划分方法。

本发明最终涉及一种指定数目对象的搜索方法，这些对象与由这种多级划分方法产生的树状结构对象中的样本最相近。

本发明还涉及用来实现这些方法的计算机程序。本发明也涉及到包含数据存储和数据处理装置的设备，其中主要是用来实现这些方法的装置。本发明最后涉及到至少包含这种设备的数据传输系统。

本发明适用于数据分类领域，数据主要是关于音频和/或视频数据，比如MPEG-7形式。

数据存储和传输容量增加了很多以致于在很多领域包括消费电子学领域，用户在管理他/她拥有的由他/她处理的信息时却存在着困难。在这种情况下，划分一组对象的方法变得更加重要。它们适用于一组对象的导航和对象的搜索中。

发明背景

由K.Chidananda Gowda和E.Diday在期刊《Pattern Recognition》vol.24 no.6，pp567-578，1991发表的文章《Symbolic Clustering using a new dissimilaritymeasure》中，描述了如导言那段中所述的一组对象的划分方法，名为《HierarchicalAgglomerative Clustering Methodology》。

这种划分方法提供了等级的最佳数目。但是获得的划分并不能很好地适用于对象搜索中。

发明简介

本发明的一个主要目标是提出一种尤其适合于对象搜索的对一组对象进行划分的划分方法。为了这一目标，根据本发明在开头段落中描述的方法的特征为它还包括：

计算代表所选划分等级的元素的步骤；

再次反复划分的步骤，它使用所选择的划分作为初次当前划分，在每次反复中，通过将上述一组中的每个对象与该对象最接近的表征当前划分的元素结合起来产生一种新的划分，并计算代表用来形成下次反复中当前划分的新划分中的等级的元素，直到表征新划分的元素和表征当前划分的元素相等为止。

这样，根据本发明的方法包括在第一阶段确定包含最佳等级数目的划分，然后修改等级以便它们的内容适用于对象搜索。

值得注意的是K.Alsabti，S.Ranka和V.Singh在“IPPS/SPDP Workshop on HighPerformance Data Mining，1998，Orlando，Florida”的场合中发表的文章“An efficientK-means clustering algorithm”，它描述了一种称为“K-means”的划分方法，这种方法中通过选择N个起始原型允许将一组对象分解为等级数N，N被认为是先验的。这种方法是反复的。在每次反复的时候，每个对象和它最接近的原型结合在一起以便确定等级，在这之后每个等级的原型被重新计算。新获得的原型作为下一次重复的初始原型。当达到收敛时，也就是说当所有新获得的原型与在每次反复最后的初始原型相一致的时候，就得到了最后的划分。

这种方法必须了解作为先验的要被建立的、具有一组初始原型的划分的等级数。

这样，本发明主要包含使用“hierarchical agglomerative clustering”(分层凝聚类)方法来将“K-means”类型方法初始化，用来提供对于对象搜索而言等级数和等级的内容都是最佳的划分方法。

在一般的方式中，如果对对象类型定义了相似度f，并且相似度量度满足下列条件的话，本发明可以适用于任何一种对象：

f是一种将两个对象和一个实数进行关联的应用；

不管所考虑的两个对象的顺序如何，这个实数是相同的；

与两个相同对象相关的实数比与两个不同对象相关的实数要大。