一种数据流自适应两阶段聚类算法  

An Adaptive Two-Stage Clustering Algorithm for Data Stream

作　　者：李志杰 廖旭红 刘基旺 江华 LI Zhijie;LIAO Xuhong;LIU Jiwang;JIANG Hua(School of Information Science and Engineering,Hunan Institute of Science and Technology,Yueyang 414006,China)

机构地区：[1]湖南理工学院信息科学与工程学院,湖南岳阳414006

出　　处：《现代信息科技》2021年第14期124-126,共3页Modern Information Technology

基　　金：湖南省自然科学基金面上项目(2019JJ40111)。

摘　　要：K-means是最常用的批量聚类方法,然而该算法需要多次迭代并不能直接用于数据流聚类。文章基于自适应谐振理论(ART),提出一种针对数据流聚类的自适应两阶段聚类算法(ATPC)。该算法分为在线自适应微聚类和离线全局批量聚类两个阶段,自适应生成微簇,具有线性计算复杂度。在MOA平台上真实与模拟数据流的实验结果验证了ATPC方法的高效性。K-means is the most commonly used batch clustering method,however,this algorithm requires several iterations and cannot be directly used for data stream clustering.In this paper,we propose an adaptive algorithm with two phases for data stream clustering (ATPC) based on adaptive resonance theory (ART).ATPC is divided into two phases,online adaptive microclustering and offline global batch clustering,and adaptively generates microclusters with linear computational complexity.Experimental results on the real dataset and simulated data streams validate the efficiency of ATPC method.

关 键 词：数据流 聚类 两阶段 自适应谐振理论 微簇 

分 类 号：TP311.13[自动化与计算机技术—计算机软件与理论]