一种基于密度和约束数据流聚类算法.docVIP

一种基于密度和约束的数据流聚类算法 　　摘 要： 文章在传统聚类算法的基础上，提出了一种基于密度和约束的数据流聚类算法――C-DBDStream（Constraint and Density Based Clustering of Data Stream）。该算法使用数据流聚类在线和离线两阶段框架。在线聚类阶段使用衰减窗口模型，对数据流中的数据对象进行初步的聚类，应用约束条件生成微簇，并将实例级的约束扩展到了微簇级，并将结果以快照的形式保存下来为下一阶段做准备；离线聚类阶段则利用微簇级约束规则聚类，采用DBSCAN算法中的密度可达寻找密度连通区域以产生最终结果。经实验证明，与CluStream算法的对比中，C-DBDStream算法提高了聚类效果。 　　关键词：数据流；聚类；密度；约束 　　中图分类号：TP311.13 文献标志码：A 文章编号：2095-2945（2018）12-0001-05 　　Abstract： Based on the traditional clustering algorithm， this paper proposes a data stream clustering algorithm based on density and constraint， C-DBD Stream （Constraint and Density Based Clustering of Data Stream）. The algorithm uses data flow clustering online and offline two-stage framework. In the online clustering stage， the attenuation window model is used to cluster the data objects in the data stream， and the constraint conditions are applied to generate the micro-clusters， and the constraints at the instance level are extended to the micro-cluster level. The results are saved in the form of snapshots and prepared for the next stage. In the off-line clustering stage， the micro-cluster level constraint rules are used to cluster， and the density in DBSCAN algorithm can be used to find the density connected region to produce the final result. Experimental results show that compared with CluStream algorithm， C-DBDStream algorithm can improve the clustering effect. 　　Keywords： data flow； clustering； density； constraints 　　随着时代的进步和发展，大数据的发展尤为迅猛，静态数据已经无法满足日益增长的需求，数据流在各个领域的发展和应用越来越广泛。聚类分析是针对数据流挖掘的一种重要手段，数据流聚类算法有以下特点：单边扫描、数据抽象、近似结果、快速处理。已有的数据流聚类算法大都是无监督的学习方法，如果利用一些约束条件，可以改进现有的数据流算法，构造性能优异的半监督数据流聚类算法。 　　本文在详细分析数据流的特征和约束条件的性质的基础上，对基于约束条件的聚类进行了研究，并提出了一种基于密度和约束条件的数据流聚类算法――C-DBDStream。该算法将聚类过程分为两个阶段：在线部分应用约束条件和衰减窗口模型，将数据流中的数据对象扩展到微簇级，并将结果以快照的形式保存下来；离线部分是在前面的基础上，利用扩展的微簇级约束来聚类，利用DBSCAN算法中的密度可达寻找密度连通区域，聚类出最终结果。最后通过在KDDCup99等数据流上的实验测试，验证了算法的正确性和有效性。 　　本文第1节介绍算法中的基本概念，第2节给出C-DBDStream算法，详细解析算法的思想和执行过程，第3节提供实验结果及分析，第4节对全文做总结并指出后续的研究。 　　1 算法使用的基本概念 　　定义1实例级约束D=（X1，X2，…，