[发明专利]基于自适应在线学习的密度数据流聚类方法

权利要求书

1.一种基于自适应在线学习的数据流聚类方法，其特征在于，包括如下步骤：

(1)接收动态数据环境下的数据流，并将数据流中的数据按照接收顺序，以1000个数据点作为一个间隔，将数据流划分为n个数据块，n≥3；

(2)根据数据块中的第一个数据点信息单独创建一个微簇结构，并将该微簇加入到起始为空的微簇列表中；

(3)计算数据块中其他数据点X_i逐个与微簇列表中的微簇中心C的欧式距离d，并将数据点映射到欧式距离最小的微簇，判断当前数据点是否加入到微簇中：

若欧式距离小于被映射的微簇的最小半径R，即dR时，且该微簇是缓冲区中的弱微簇，此时微簇被激活成核心微簇，则将该微簇的能量变更为1，再将当前数据点加入到被映射的微簇，执行步骤(4)；

否则，由当前数据点单独创建一个新的微簇结构，并加入到现有的微簇列表中，执行步骤(5)；

(4)微簇列表中的微簇接收到一个新的数据点后，进行更新操作：

(4a)当数据点X_i加入后，对微簇的半径R_t进行自适应更新，得到更新后的微簇半径最新值R_t+1：

其中，N_t+1＝N_t+1为微簇的局部密度阈值，N′_t为微簇的空间信息计数值，Decay为微簇的衰减因子，的比值为自适应调整因子，R_max为微簇最大半径；

(4b)当数据点X_i位于壳区域，即数据点在微簇中心位置[0.5*R_t+1,R_t+1]范围构成的空间区域时，对微簇中心C_t进行自适应更新，得到更新后的中心最新值C_t+1：

其中，N′_t+1＝N′_t+1为微簇的空间信息计数值；

(4c)对微簇的能量E_t进行自适应更新，得到更新后的能量最新值E_t+1：

执行步骤(5)；

(5)对微簇列表中的微簇能量E′_t进行衰减，得到衰减后的能量最新值E′_t+1：

执行步骤(6)；

(6)根据衰减后的微簇能量值与0的大小关系，判断当前时刻微簇是否发生变化：

如果微簇衰减后的能量值小于0，则该微簇发生变化，并根据微簇的类型进行相应的变化：若微簇是局部密度阈值N_t大于密度阈值N_th的核心微簇，将其变成缓冲区中弱微簇，对弱微簇的结构进行相应的变化；否则，微簇是缓冲区中的弱微簇，将其直接删除；

如果微簇衰减后的能量值大于等于0时，则微簇不发生变化，执行步骤(7)；

(7)计算当前微簇与微簇列表中所有微簇的相交距离d′，将微簇中心的欧式距离d小于相交距离d′的微簇加入到各自的边缘列表EL中，即将属于相交的微簇划分为同一类，实现对宏观集群的更新；

(8)将更新宏观集群后属于同一类的结果在线输出，完成对数据流的聚类。

2.根据权利要求书1所述的方法，其特征在于，所述步骤(2)中微簇结构包括中心C、半径R、能量E、局部密度阈值N、空间信息计数N′和边缘列表EL，其中，C＝X_i，X_i为当前数据点，E＝1，R＝R_min，R_min为用户输入的最小半径，N＝1，N′＝1，EL初始化为空集

3.根据权利要求书1所述的方法，其特征在于，所述步骤(6)中对弱微簇的结构进行相应的变化，是先将弱微簇的能量变为0.5，再将弱微簇边缘列表中的微簇找出，然后将微簇与弱微簇的信息记录清除，最后将弱微簇的边缘列表置成空集

4.据权利要求书1所述的方法，其特征在于，所述步骤(7)中计算当前微簇与微簇列表中所有微簇的相交距离d′，公式如下：

其中，R是当前微簇的半径，R′是微簇列表中微簇的半径。