Implementación en GPU del algoritmo K-Means para ... - UMBC
Implementación en GPU del algoritmo K-Means para ... - UMBC
Implementación en GPU del algoritmo K-Means para ... - UMBC
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>Implem<strong>en</strong>tación</strong> <strong>en</strong> <strong>GPU</strong> <strong>del</strong> <strong>algoritmo</strong> KK-<strong>Means</strong><br />
<strong>Means</strong> <strong>para</strong> procesami<strong>en</strong>to <strong>para</strong>lelo<br />
de imág<strong>en</strong>es de satélite disponibles <strong>en</strong> la herrami<strong>en</strong>ta Google MMaps<br />
En este trabajo afrontaremos la implem<strong>en</strong>tación de un <strong>algoritmo</strong> de clasificación<br />
no supervisada ampliam<strong>en</strong>te conocido <strong>en</strong> el ámbito ci<strong>en</strong>tífico, dicho <strong>algoritmo</strong> es es:<br />
K-<strong>Means</strong>. La implem<strong>en</strong>tación lem<strong>en</strong>tación <strong>para</strong>lela de los <strong>algoritmo</strong>s supervisados lo dejaremos<br />
como posibles líneas futuras de este trabajo.<br />
4.1. Algoritmos de clasificación no supervisados<br />
Las técnicas de clasificación no supervisadas supon<strong>en</strong> un int<strong>en</strong>to de automatizar<br />
el proceso de clasificación, reduci<strong>en</strong>do al máximo la necesidad de una supervisión<br />
<strong>del</strong> proceso. Entre ntre las técnicas exist<strong>en</strong>tes [18 [18], ], destaca el método K-<strong>Means</strong>, que<br />
supone la exist<strong>en</strong>cia de K clases (parámetro que deberá ser determinado a priori) y<br />
realiza una agrupación de los píxeles de la imag<strong>en</strong> <strong>en</strong> dichas clases utilizando los<br />
vectores métodos puram<strong>en</strong>te estadísticos basados <strong>en</strong> los espectros promedio de<br />
dichas clases.<br />
El funcionami<strong>en</strong>to de dicho <strong>algoritmo</strong> es el sigui<strong>en</strong>te:<br />
Paso 1/4<br />
De una forma arbitraria se deb<strong>en</strong> de elegir K c<strong>en</strong>tros de cluster mm1<br />
(0) , m2 (0) , …,<br />
mk (0) (Por ejemplo, podría ser las k primero muestras <strong>del</strong> conjunto. Si<strong>en</strong>do Conjunto<br />
l=0).<br />
Paso 2/4<br />
Asignar cada una de las muestras {x {xi, , i = 1, …, N} a uno de los grupos de<br />
acuerdo a la distancia <strong>en</strong>tre la muestra y el c<strong>en</strong>tro de agrupación:<br />
x wj<br />
if DL(x, mj (l) ) = min {DL(x, mi (l) ), i = 1, …, k} (4.1)<br />
donde wj d<strong>en</strong>ota el grupo i de muestras cuyo c<strong>en</strong>tro es mj (l) .<br />
Trabajo Fin de Máster -45- Sergio Bernabé García