论文研究 动态滑动窗口的数据流聚类方法.pdf

数据流聚类是聚类分析中的重要问题。针对数据流的流速是变化的问题，在两阶段聚类框架基础上提出基于动态滑动窗口的数据流聚类算法。在线阶段，引入微聚类特征来存储数据流的概要信息，利用存储的概要信息动态调整滑动窗口规模，并计算数据点与微聚类中心的距离，以维护微聚类特征；离线阶段，对在线聚类阶段的聚类结果采用K-means算法进行宏聚类，生成最终聚类。实验结果表明，该算法具有较高的聚类质量和较好的伸缩性。