面向流数据的演化聚类算法  

Evolving Clustering Method for Stream Data

作　　者：钟珞[1] 田蓝 张开松[1,2] 李琳 ZHONG Luo TIAN Lan ZHANG Kaisong LI Lin(School of Computer Science and Technology, Wuhan University of Technology, Wuhan 430070, Hubei, China School of Mechanical Engineering, Wuhan Polytechnic University, Wuhan 430023, Hubei, China)

机构地区：[1]武汉理工大学计算机科学与技术学院,湖北武汉430070 [2]武汉轻工大学机械工程学院,湖北武汉430023

出　　处：《武汉大学学报（理学版）》2017年第5期459-465,共7页Journal of Wuhan University:Natural Science Edition

基　　金：国家自然科学基金(61003130);国家科技支持计划(2012BAH33F03);湖北省自然科学基金(2015CFB525)资助项目;武汉市科技创新团队项目(201307020402005)

摘　　要：针对传统的聚类算法难以适应流数据在线聚类的问题,本文在演化聚类算法(ECM)的基础上,改进了ECM中聚类中心和聚类半径的更新过程,引入戴维森保丁指数(DBI,Davies-Bouldin Index)作为数据归类的评估准则,提出了一种面向流数据的演化聚类算法(SDECM).实验结果表明,与ECM相比,SDECM在目标函数值、DBI值、准确率和纯度等评估准则方面具有更好的聚类性能.To overcome the difficult in adapting to the online clustering of stream data, an evolving clustering method for stream data（SDECM） based on the research of evolving clustering method （ECM） was proposed, which is based on the research of evolving clustering method （ECM）. SDECM not only improved the updating process of clustering center and clustering radius in ECM, but also introduced the Davies-Bouldin Index （DBI） as an evaluation criterion for data classification. The experiments show that SDECM has better clustering performance on the evaluation criteria of objective function value, DBI, accuracy and purity than that in ECM.

关 键 词：流数据 在线聚类 演化聚类 戴维森保丁指数 

分 类 号：TP391.4[自动化与计算机技术—计算机应用技术]