滑动窗口模型下的概率数据流聚类

doi:10.3778/j.issn.1002-8331.2011.04.039

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (4): 141-145.DOI: 10.3778/j.issn.1002-8331.2011.04.039

• 数据库、信号与信息处理 • 上一篇下一篇

滑动窗口模型下的概率数据流聚类

程转流^1，2，胡为成²

1.合肥工业大学计算机与信息学院，合肥 230009
2.铜陵学院信息技术与工程管理研究所，安徽铜陵 244000

收稿日期:2010-03-16 修回日期:2010-07-26 出版日期:2011-02-01 发布日期:2011-02-01
通讯作者: 程转流

Clustering for probabilistic data stream over sliding windows

CHENG Zhuanliu^1，2，HU Weicheng²

1.School of Computer and Information，Hefei University of Technology，Hefei 230009，China
2.Institute of Information Technology & Engineering Management，Tongling College，Tongling，Anhui 244000，China

Received:2010-03-16 Revised:2010-07-26 Online:2011-02-01 Published:2011-02-01
Contact: CHENG Zhuanliu

摘要/Abstract

摘要： 提出一种基于滑动窗口的概率数据流聚类方法PWStream。PWStream采用聚类特征指数直方图保存最近数据元组的信息摘要，在允许的误差范围内删除过期的数据元组；并针对数据流上概率元组提出强簇、过渡簇和弱簇的概念，设计了一种基于距离和存在概率的簇选择策略，从而可以发现更多的强簇。理论分析和实验结果表明，该方法具有良好的聚类质量和较快的数据处理能力。

关键词: 概率数据流, 聚类, 滑动窗口, 直方图

Abstract: An effective clustering algorithm called PWStream for probabilistic data stream over sliding window is developed.The algorithm uses exponential histogram of cluster feature to store the summary information of the most recently arrived tuples，and outdated information is deleted within a certain guaranteed range of error.For the uncertain tuples in data stream，the concepts of strong cluster，transitional cluster and weak cluster are proposed in the PWStream.With these concepts，an effective strategy of choosing cluster based on distance and existence probability is designed，which can find more strong clusters.Theoretical analysis and comprehensive experimental results demonstrate that the proposed method is of high quality and fast processing rate.

Key words: probabilistic data stream, clustering, sliding window, histogram

中图分类号:

TP311

程转流^1，2，胡为成². 滑动窗口模型下的概率数据流聚类[J]. 计算机工程与应用, 2011, 47(4): 141-145.

CHENG Zhuanliu^1，2，HU Weicheng². Clustering for probabilistic data stream over sliding windows[J]. Computer Engineering and Applications, 2011, 47(4): 141-145.

[1]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[2]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[3]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[4]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[5]	杨芳，尹曦，司建辉，刘宏媛，汪雪. 基于侧重点聚类的数学表达式相似度计算方法[J]. 计算机工程与应用, 2021, 57(6): 88-93.
[6]	赵凡，张琳，闻治泉，杨林林，蔺广逢. 一种直接高效的自然场景汉字逼近定位方法[J]. 计算机工程与应用, 2021, 57(6): 159-167.
[7]	彭启慧，宣士斌，高卿. 分布的自动阈值密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(5): 71-78.
[8]	李勇振，廖湖声. 基于图卷积神经网络的多视角聚类[J]. 计算机工程与应用, 2021, 57(5): 115-122.
[9]	王昌龙，张远东，缪宏，杨煜恒. 双通道卷积神经网络在南瓜病害识别上的应用[J]. 计算机工程与应用, 2021, 57(5): 183-189.
[10]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[11]	王鹏，叶学义，王涛，钱丁炜. 双偏差双空间局部方向模式的人脸识别[J]. 计算机工程与应用, 2021, 57(4): 91-99.
[12]	王俊玲，卢新明. 基于语义相关的视频关键帧提取算法[J]. 计算机工程与应用, 2021, 57(4): 192-198.
[13]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[14]	陈俊丰，郑中团. WKMeans与SMOTE结合的不平衡数据过采样方法[J]. 计算机工程与应用, 2021, 57(23): 106-112.
[15]	张忠林，赵昱，闫光辉. 自然邻居密度极值聚类算法[J]. 计算机工程与应用, 2021, 57(23): 200-210.

滑动窗口模型下的概率数据流聚类

Clustering for probabilistic data stream over sliding windows

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics