5、数据流自适应衰减与基于半径的演化聚类方法

数据流自适应衰减与基于半径的演化聚类方法

1. 引言

数据的不间断流动被称为数据流，持续、随时间变化且快速生成的数据流数据量被称为在线数据。例如，2017 年 9 月统计显示，Facebook 的注册用户每天产生超过 30PB 的数据。对于这些无界数据流，分析和聚类方法变得至关重要。聚类过程将相似和同质的数据点分组到相同的子集或簇中，将不同的数据对象分到其他簇。

然而，大多数设计的算法由于数据流的无限维度、体积不确定性、随时间的逐渐变化以及数据到达速度等因素，无法正常工作。一般来说，聚类方法可分为五类：划分法、层次法、基于网格法、基于模型法和基于密度法。其中，基于密度的聚类方法因其能够发现任意形状的簇并检测噪声，成为处理信息流的常用且有益的方法。

目前大多数算法并非完全基于在线的方法，无法处理数据点的演化特征，处理速度低，或者受到高维度和高内存需求的困扰。因此，提出了一种基于密度的聚类技术——自适应衰减和基于半径的数据流在线聚类（ADROCS）。它在（Rmin，Rmax）范围内更新半径，并引入一个衰减因子来更新衰减变量，而不是使用恒定的衰减变量，能在密集和稀疏区域有效地维持簇的形成。

2. 相关研究回顾

• DBSCAN ：是产生任意形状簇的基础算法。根据 Eps（半径）和 MinPts（最小点数），它将数据点定义为核心、边界或噪声点，但不考虑内存限制，不适用于高维数据集。
• BIRCH ：是用于信息流聚类的早期算法，通过维护一个 CF 树工作，树的每个节点维护一些聚类特征（CF）。
• Cl