基于核密度估計理論的多數據流聚類研究.pdf

1、近年來，處理無限的連續(xù)數據流的應用日益流行，比如網絡日志、傳感器網絡等。數據流聚類(datastreamclustering)逐漸成為數據挖掘領域的熱點研究問題之一，由于數據流的數據量無限、對算法的響應要求很高，而且通常只能對數據訪問一次，而傳統(tǒng)的聚類算法對快速變化的數據流進行在線分析的支持存在著很多限制，急需開發(fā)適應數據流環(huán)境的聚類算法，計算機工作者們面臨著新的挑戰(zhàn)。 本文針對當前比較經典的多數據流聚類COD(Clusteri

2、ngonDemand)框架，首先，詳細分析了其不足之處：不能過濾獨異點、對數據流的壓縮保存過于簡單和聚類時計算數據流之間的距離的時間復雜度過高等，然后從核密度估計理論和基于數據的空間劃分網格技術出發(fā)，提出了一種多數據流聚類的方法——CMO(ClusteringMulti-StreamsusingObservematrix)方法。理論和實驗結果表明：CMO方法提供了一種不損傷數據流的時間、距離特性的刻畫方法；具有過濾獨異點的能力；聚類的時