一种对滑动窗口数据流聚类算法的混合差分研究.docVIP

一种对滑动窗口数据流聚类算法的混合差分研究 摘要传统的滑动窗口数据流聚类算法在执行中存在聚类质量较 差、效率较低的缺点，而基于混合差分进化的算法，将滑动窗口数据流聚 类过程进行划分，一类是在线的时序窗门数据流特征向量生成，另一类是 离线的聚类优化。对于在线式滑动窗口，其数据表现为微簇聚合更新与维 护，可以通过粒子群算法，以离线微簇数据进行适应度计算，并将种群划 分为优势子种群和普通子种群，利用个体适应度值和平均适应度值来进行 最优选择，采用迭代法来对个体进行进化，输出最优适应度值的聚类集合。 关键词滑动窗口数据流混合差分进化聚类 数据聚类分析是数据挖掘中的重要课题，也是通过对数据进行层次化 模型分析，对指数级数据增长下的传统聚类算法的优化，以满足数据流处 理的实时要求。比较经典的算法冇CluStream,将数据流看作时序读取过 程，在数据处理周期内完成聚类。数据流聚类算法是基于聚类半径的增长， 数据聚类精度的提升对内存消耗过大而采用的优化算法，其优势在于构建 数据流聚类在线、离线框架，满足数据入点、流出点之间数据流处理需要， 但由于数据快照窗口的失效数据为实时更新，导致计算机负载过大。基于 滑动窗口的数据流聚类算法，能够在占用窗口大小的次线性内存空间中， 对数据记录分部展幵进行聚类分析. 一、数据流聚类算法基础概念明确 对于混合差分进化下的滑动窗口数据流聚类算法的研宂，主要通过在