Optimierung und Überprüfung auf Korrektheit und Parallelisierbarkeit eines Clustering-Algorithmus

Zur Erkennung von Clustern gibt es heute unterschiedliche Algorithmen. Die
gängigsten z.B. k-Means, Ward eignen sich nicht, um komplexere Formen
zu erkennen. Das Hebbian Learning Clustering (HLC) Verfahren
ist ein neues mächtigeres Verfahren, welches komplexe Formen problemlos
erkennen kann.
Das Ziel unserer Studienarbeit war es, den HLC-Algorithmus von Mathematica
nach C/C++ zu portieren und seine Korrektheit zu überprüfen. Diese
Portierung sollte anschliessend optimiert werden. Mit der Lösung sollten
grosse Vorgaben möglichst schnell geclustert werden können.
Wir portierten den HLC-Algorithmus von einer Mathematica Vorlage nach
C/C++. Unser Hauptaugenmerk haben wir auf die Optimierung unserer Portierung
gelegt.
Als Anwendung wurde die Portierung verwendet, um Phoneme aus der TIMIT Datenbank zu clustern. Gefundene Cluster wurden auf shrimpähnliche
Formen
untersucht, welche sich aufgrund theoretischer Voraussage darin finden
sollten.
Der HLC in der Ausgangslage benötigte zu viel Zeit, um grössere Vorgaben
zu clustern. Mit der optimierten Portierung sind wir nun in der Lage auch
komplexere Vorgaben effizient zu clustern.