基于密度与近邻传播的数据流聚类算法

被引：28

作者：

张建朋

陈福才

李邵梅

刘力雄

机构：

[1] 国家数字交换系统工程技术研究中心

来源：

自动化学报 | 2014年 / 40卷 / 02期

基金：

国家高技术研究发展计划(863计划);

关键词：

数据流挖掘; 近邻传播; 基于密度聚类; 变化检测;

D O I：

暂无

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

针对现有算法聚类精度不高、处理离群点能力较差以及不能实时检测数据流变化的缺陷,提出一种基于密度与近邻传播融合的数据流聚类算法.该算法采用在线/离线两阶段处理框架,通过引入微簇衰减密度来精确反映数据流的演化信息,并采用在线动态维护和删减微簇机制,使算法模型更符合原始数据流的内在特性.同时,当模型中检测到新的类模式出现时,采用一种改进的加权近邻传播聚类(Weighted and hierarchical affinity propagation,WAP)算法对模型进行重建,因而能够实时检测到数据流的变化,并能给出任意时间的聚类结果.在真实数据集和人工数据集上的实验表明,该算法具有良好的适用性、有效性和可扩展性,能够取得较好的聚类效果.

引用

页码：277 / 288

页数：12

共 7 条

[1]

一种基于密度的空间数据流在线聚类算法[J]. 于彦伟,王沁,邝俊,何杰.自动化学报. 2012(06)

[2] 一种基于双层窗口的概念漂移数据流分类算法 [J].

朱群 ;

张玉红 ;

胡学钢 ;

李培培 .

自动化学报, 2011, 37 (09) :1077-1084

[3] 一种基于时态密度的倾斜分布数据流聚类算法 [J].

杨宁 ;

唐常杰 ;

王悦 ;

陈瑜 ;

郑皎凌 .

软件学报, 2010, 21 (05) :1031-1041

[4] 基于密度的混合属性数据流聚类算法 [J].

黄德才 ;

吴天虹 .

控制与决策, 2010, 25 (03) :416-421

[5] 自适应仿射传播聚类 [J].

王开军 ;

张军英 ;

李丹 ;

张新娜 ;

郭涛 .

自动化学报, 2007, (12) :1242-1246

[6] Stream Data Clustering Based on Grid Density and Attraction [J].

Tu, Li ;

Chen, Yixin .

ACM TRANSACTIONS ON KNOWLEDGE DISCOVERY FROM DATA, 2009, 3 (03)

[7]

Data streaming with affinity propagation .2 Zhang X,Furtlehner C,Sebag M. Proceedings of the 2008 Machine Learning and Knowledge Discovery in Databases . 2008

← 1 →