基于衰减滑动窗口数据流聚类算法研究

被引：6

作者：

朱琳

刘晓东

朱参世

机构：

[1] 空军工程大学工程学院

来源：

计算机工程与设计 | 2012年 / 33卷 / 07期

关键词：

数据流; 衰减; 滑动窗口; 聚类; 算法;

D O I：

10.16208/j.issn1000-7024.2012.07.041

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

数据流具有数据流量大、流量连续且快速、难以存储和恢复等特性,其挖掘质量和效率是检验挖掘算法的重要标准。传统的数据流聚类挖掘算法是基于界标窗口、滑动窗口和衰减窗口模型,其算法的聚类质量较差,时间复杂度高等不足,就此类问题,研究一种滑动衰减窗口的数据流聚类算法,并对算法进行了设计与实现,有效的改善传统数据流算法聚类质量和时间效率的问题。仿真实验结果表明了该算法的有效性,达到了较满意的效果

引用

页码：2659 / 2662+2796 +2796

页数：5

共 13 条

[1]

基于数据挖掘的入侵检测技术研究[D]. 吉磊.上海交通大学 2007

[2] 一种高效的数据流挖掘增量模糊决策树分类算法 [J].

王涛 ;

李舟军 ;

胡小华 ;

颜跃进 ;

陈火旺 .

计算机学报, 2007, (08) :1244-1250

[3] 挖掘数据流任意滑动时间窗口内频繁模式 [J].

李国徽 ;

陈辉 .

软件学报, 2008, (10) :2585-2596

[4] 数据流频繁模式挖掘研究进展 [J].

潘云鹤 ;

王金龙 ;

徐从富 .

自动化学报, 2006, (04) :594-602

[5]

A framework for clustering evolving data streams. Aggarwal C C,Han J,Wang J,et al. Proceedings of the 29th International Conference on Very Large Data Bases . 2003

[6]

CHAMELEON:A Hierarchical Clustering Algorithm Using Dynamic Modeling. Karypis George,Han Eui-Hong(Sam),Kumar Vipin. IEEE Computer . 1999

[7]

Better streaming algorithms for clustering problems. Charikar M,O C. L,Panigrahy R. Proceedings of STOC . 2003

[8]

Clustering on Demand for Multiple Data Streams. Dai B. The Fourth IEEE International Conference on Data Mining (ICDM) . 2004

[9] 基于粗约简的数据流增量聚类算法 [J].

印桂生 ;

于翔 ;

宁慧 .

西南交通大学学报, 2009, 44 (05) :637-642+653

[10]

Continuously maintaining quantile summaries of the most recent N elements over a data stream. X Lin,H Lu,J Xu,et al. Proceedings of the 20th International Conference of IEEE Computer Society on Data Engineering . 2004

← 1 2 →