基于核密度估計理論的多數(shù)據(jù)流聚類研究.pdf

1、近年來，處理無限的連續(xù)數(shù)據(jù)流的應用日益流行，比如網(wǎng)絡日志、傳感器網(wǎng)絡等。數(shù)據(jù)流聚類(datastreamclustering)逐漸成為數(shù)據(jù)挖掘領域的熱點研究問題之一，由于數(shù)據(jù)流的數(shù)據(jù)量無限、對算法的響應要求很高，而且通常只能對數(shù)據(jù)訪問一次，而傳統(tǒng)的聚類算法對快速變化的數(shù)據(jù)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(shù)據(jù)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(jīng)典的多數(shù)據(jù)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(shù)據(jù)流的壓縮保存過于簡單和聚類時計算數(shù)據(jù)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(shù)據(jù)的空間劃分網(wǎng)格技術出發(fā)，提出了一種多數(shù)據(jù)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(shù)據(jù)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