- 著者
-
新井 康平
ト 憲強
- 出版者
- The Institute of Image Electronics Engineers of Japan
- 雑誌
- 画像電子学会誌 (ISSN:02859831)
- 巻号頁・発行日
- vol.40, no.2, pp.361-368, 2011
短時間に安定したクラスタ解に収束する強化学習・競合学習に学習オートマトンを考慮した新たなオンラインクラスタリング(Pursuit Reinforcement Competitive Learning: PRCL)を提案する.クラスタリング手法の性能比較用に多用されているカリフォルニア大学のUCIリポジトリを用いて既存の手法,Reinforcement Guided Competitive Learning: RGCL,Sustained RGCL: SRGCL,Vector Quantization: VQとクラスタリング性能を比較し,PRCLがほかに比べて収束性能などにおいて優れていることを示す.また,PRCLを限定領域にランダムに散在する避難民を二つの避難口に誘導する状況を設定した避難誘導シミュレーションに適用し,避難民の衝突確率,避難に要する時間,二つの避難口の避難民数のバランスなどを評価した結果,既存手法の中で最も高性能なVQよりも高性能であることを確認した.