[发明专利]对象的熵聚类

说明书

半导体封装设备的实施例可以包括基于可配置规则集将数据集合映射到两个或更多个数据的数学图表示中的技术，所述规则集中的一个规则保持或增强数据的关系或特性，并且基于图信息熵和一个或多个参数来将两个或更多个图表示组织成两个或更多个数据集群。公开了其它的实施例并对其主张权利。

技术领域

实施例一般地涉及无监督机器学习。更具体地，实施例涉及对象的熵聚类(clustering)。

背景技术

无监督机器学习可以指标识未标记数据中的结构的机器学习任务。一种类型的无监督学习可以包括聚类分析或聚类。聚类可以指至少部分地基于一个或多个度量以这样的方式对对象集进行分组的任务：相比于其他组/集群中的对象，相同组/集群中的对象彼此更加相似。在数据挖掘领域中，k-均值技术可指用于将数据分组至k个集群的过程。标准k-均值技术可基于数据点之间的欧几里德距离来对数据分组。球面k-均值技术可基于数据点之间的余弦相似度来对数据分组。

附图说明

通过阅读以下说明书和所附权利要求并通过参考以下附图，实施例的各种优点对于本领域技术人员将变得显而易见，其中：

图1是根据实施例的电子处理系统的示例的框图；

图2是根据实施例的半导体封装装置的示例的框图；

图3A至3B是根据实施例的无监督机器学习的方法的示例的流程图；

图4是根据实施例的数据集合的示例的说明图；

图5A和5B是根据实施例的对应于图4中的数据集合的相应数据集群的示例的说明性图表示；

图6是根据实施例的对应于图5A和5B中的数据集群的经合并的数据集群的示例的说明性图表示。

图7是根据实施例的费米-狄拉克(Fermi-Dirac)分布的示例的曲线图；

图8是根据实施例的数据对象的熵聚类的方法的示例的流程图；

图9A和9B是根据实施例的熵聚类设备的示例的框图；

图10是根据实施例的处理器的示例的框图；以及

图11是根据实施例的系统的示例的框图。

具体实施方式