論文の概要: Meteoroid stream identification with HDBSCAN unsupervised clustering algorithm
- arxiv url: http://arxiv.org/abs/2507.01501v1
- Date: Wed, 02 Jul 2025 09:04:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-03 14:23:00.120215
- Title: Meteoroid stream identification with HDBSCAN unsupervised clustering algorithm
- Title（参考訳）: HDBSCANアン教師付きクラスタリングアルゴリズムによるメテオロイドストリームの同定
- Authors: Eloy Peña-Asensio, Fabio Ferrari,
- Abstract要約: HDBSCANは、気象流識別の数学的に一貫した代替品である。
HDBSCANは39の流星流を確認し、21はCAMSと強く一致している。
eom法は、常に優れた性能とCAMSとの一致をもたらす。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate identification of meteoroid streams is central to understanding their origins and evolution. However, overlapping clusters and background noise hinder classification, an issue amplified for missions such as ESA's LUMIO that rely on meteor shower observations to infer lunar meteoroid impact parameters. This study evaluates the performance of the Hierarchical Density-Based Spatial Clustering of Applications with Noise (HDBSCAN) algorithm for unsupervised meteoroid stream identification, comparing its outcomes with the established Cameras for All-Sky Meteor Surveillance (CAMS) look-up table method. We analyze the CAMS Meteoroid Orbit Database v3.0 using three feature vectors: LUTAB (CAMS geocentric parameters), ORBIT (heliocentric orbital elements), and GEO (adapted geocentric parameters). HDBSCAN is applied with varying minimum cluster sizes and two cluster selection methods (eom and leaf). To align HDBSCAN clusters with CAMS classifications, the Hungarian algorithm determines the optimal mapping. Clustering performance is assessed via the Silhouette score, Normalized Mutual Information, and F1 score, with Principal Component Analysis further supporting the analysis. With the GEO vector, HDBSCAN confirms 39 meteoroid streams, 21 strongly aligning with CAMS. The ORBIT vector identifies 30 streams, 13 with high matching scores. Less active showers pose identification challenges. The eom method consistently yields superior performance and agreement with CAMS. Although HDBSCAN requires careful selection of the minimum cluster size, it delivers robust, internally consistent clusters and outperforms the look-up table method in statistical coherence. These results underscore HDBSCAN's potential as a mathematically consistent alternative for meteoroid stream identification, although further validation is needed to assess physical validity.
- Abstract（参考訳）: 隕石流の正確な同定は、その起源と進化を理解するために重要である。
しかし、重なり合うクラスタとバックグラウンドノイズの分類は、ESAのLUMIOのような、月の隕石衝突パラメータを推測するために気象観測に依存するミッションを増幅した。
本研究では,非教師付き気象流同定のための階層密度に基づく空間クラスタリング法(HDBSCAN)の性能評価を行い,その結果と全空気象監視用カメラ(CAMS)のルックアップテーブル法との比較を行った。
LUTAB (CAMS Geocentric parameters)、ORBIT (Heliocentric orbit element)、GEO (adapted geocentric parameters) の3つの特徴ベクトルを用いてCAMS Meteoroid Orbit Database v3.0を解析した。
HDBSCANは、異なる最小クラスタサイズと2つのクラスタ選択方法(Eom and leaf)で適用される。
HDBSCANクラスタをCAMS分類に合わせるため、ハンガリーのアルゴリズムは最適なマッピングを決定する。
クラスタリング性能は、シルエットスコア、正規化相互情報、F1スコアを通じて評価され、主成分分析は分析をさらに支援している。
GEOベクターでは、HDBSCANは39の流星流を確認し、21はCAMSと強く一致している。
ORBITベクトルは、高い一致スコアを持つ30ストリーム、13ストリームを識別する。
あまり活動的なシャワーは識別に困難をもたらす。
eom法は、常に優れた性能とCAMSとの一致をもたらす。
HDBSCANは最小クラスタサイズを慎重に選択する必要があるが、堅牢で内部的に一貫したクラスタを提供し、統計的コヒーレンスにおいてルックアップテーブル法より優れている。
これらの結果は、HDBSCANが、物理妥当性を評価するためにはさらなる検証が必要であるが、数学的に一貫した流路同定の代替手段としての可能性を裏付けるものである。
関連論文リスト
- Scalable Context-Preserving Model-Aware Deep Clustering for Hyperspectral Images [51.95768218975529]
ハイパースペクトル画像(HSI)の教師なし解析にサブスペースクラスタリングが広く採用されている。
近年のモデル対応深層空間クラスタリング手法では、O(n2)の複雑性を持つ自己表現行列の計算とスペクトルクラスタリングを含む2段階のフレームワークを用いることが多い。
本稿では,HSIクラスタリングを効率的に行うために,局所構造と非局所構造を協調的にキャプチャする,ベース表現に基づく拡張性のあるコンテキスト保存深層クラスタリング手法を提案する。
論文 参考訳（メタデータ） (2025-06-12T16:43:09Z) - Adaptive and Robust DBSCAN with Multi-agent Reinforcement Learning [53.527506374566485]
本稿では,多エージェント強化学習クラスタフレームワーク,すなわちAR-DBSCANを用いた新しいAdaptive and Robust DBSCANを提案する。
我々は、AR-DBSCANが、NMIおよびARIメトリクスの最大144.1%と175.3%のクラスタリング精度を向上するだけでなく、支配的なパラメータを確実に見つけることができることを示した。
論文 参考訳（メタデータ） (2025-05-07T11:37:23Z) - Hierarchical clustering with maximum density paths and mixture models [44.443538161979056]
t-NEBは確率的に基底化された階層的クラスタリング法である。
自然な高次元データに対して最先端のクラスタリング性能が得られる。
論文 参考訳（メタデータ） (2025-03-19T15:37:51Z) - Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。
提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。
フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
論文 参考訳（メタデータ） (2023-08-13T18:12:28Z) - Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。
SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。
OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
論文 参考訳（メタデータ） (2021-10-15T03:25:28Z) - Measuring inter-cluster similarities with Alpha Shape TRIangulation in
loCal Subspaces (ASTRICS) facilitates visualization and clustering of
high-dimensional data [0.0]
高次元(HD)データのクラスタリングと可視化は、様々な分野において重要なタスクである。
HDデータをクラスタリングする最も効果的なアルゴリズムは、グラフ内のノードによってデータを表現することに基づいている。
本稿では,HDデータポイントのクラスタ間の類似性を計測するASTRICSという手法を提案する。
論文 参考訳（メタデータ） (2021-07-15T20:51:06Z) - Swarm Intelligence for Self-Organized Clustering [6.85316573653194]
Databionic Swarm(DBS)と呼ばれるSwarmシステムが導入された。
スウォームインテリジェンス、自己組織化、出現の相互関係を利用して、DBSはクラスタリングのタスクにおけるグローバルな目的関数の最適化に対する代替アプローチとして機能する。
論文 参考訳（メタデータ） (2021-06-10T06:21:48Z) - Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。
我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
論文 参考訳（メタデータ） (2020-10-22T15:58:35Z) - Clustering Based on Graph of Density Topology [41.57592288113871]
密度トポロジーグラフ (GDT) に基づく新しいクラスタリングアルゴリズムを提案する。
GDTは一般的なデータセットのほとんど全てでSOTAのパフォーマンスを実現し、O(nlogn)の低時間複雑さを持つ。
論文 参考訳（メタデータ） (2020-09-24T11:40:24Z) - Stable and consistent density-based clustering via multiparameter persistence [49.1574468325115]
トポロジカルデータ解析による次数-リップス構成について考察する。
我々は,入力データの摂動に対する安定性を,通信間距離を用いて解析する。
私たちはこれらのメソッドを、Persistableと呼ばれる密度ベースのクラスタリングのためのパイプラインに統合します。
論文 参考訳（メタデータ） (2020-05-18T19:45:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。