近年来,不确定的聚类中心使得传统的聚类算法面临着巨大的挑战,例如导致了丢失历史数据信息、数据边界不清晰、时间复杂度高等问题。因此,提出了中心加权数据流聚类(Center-Weighted algorithm for clustering data streams,CW-Stream)...近年来,不确定的聚类中心使得传统的聚类算法面临着巨大的挑战,例如导致了丢失历史数据信息、数据边界不清晰、时间复杂度高等问题。因此,提出了中心加权数据流聚类(Center-Weighted algorithm for clustering data streams,CW-Stream)算法,旨在提高聚类中心的实时性。为了保留历史数据的瞬态特征,并尽可能少地占用存储空间,聚类中心被分配了不同的权重,并使用中心权重算法代替传统的欧几里得距离来调整微簇信息,改进了模糊可扩展策略。此外,采用模糊隶属度矩阵记录动态的数据流信息。与其他经典算法相比,该算法在聚类纯度和效率方面有较好的性能。展开更多
文摘近年来,不确定的聚类中心使得传统的聚类算法面临着巨大的挑战,例如导致了丢失历史数据信息、数据边界不清晰、时间复杂度高等问题。因此,提出了中心加权数据流聚类(Center-Weighted algorithm for clustering data streams,CW-Stream)算法,旨在提高聚类中心的实时性。为了保留历史数据的瞬态特征,并尽可能少地占用存储空间,聚类中心被分配了不同的权重,并使用中心权重算法代替传统的欧几里得距离来调整微簇信息,改进了模糊可扩展策略。此外,采用模糊隶属度矩阵记录动态的数据流信息。与其他经典算法相比,该算法在聚类纯度和效率方面有较好的性能。
