19、DeltaDens：用于在线密度聚类的增量算法

DeltaDens：用于在线密度聚类的增量算法

1. 引言

在众多技术应用中，对数据流进行聚类分析是一项常见任务。从简单的麦克风、温度传感器，到生物技术、机器人、粒子物理或太空探索等领域使用的复杂扫描设备，都会以数据流的形式记录和传输信息。

数据流处理具有一些独特属性，使其与静态数据集的处理有所不同。聚类数据在流中通常按时间戳顺序排列，处理过程中数据的传输速率可能不同，且数据可能长时间持续传入，难以进行有效缓冲。此外，聚类的分布和形状可能会随时间缓慢或快速变化。

这些特性对适用于数据流聚类的算法提出了以下要求：
- 算法需为传入数据增量更新其内部聚类模型，以利用有限资源跟踪数据分布的变化。假定数据在处理过程中仅展示一次，算法应能检测和描述数量不限的不规则且不断演变的聚类。
- 算法处理传入数据对象时应保持恒定的响应时间，稳定性不足可能导致流处理过程中出现延迟和数据丢失。此外，响应时间应尽可能短，以适应不同的数据展示速率。
- 算法要足够“敏捷”，既能捕捉和描述短期存在的聚类，也能处理长期存在的聚类。它应能正确识别聚类特征在一段时间内被中断或扭曲的情况，若某个聚类不再有数据支持，应将其从模型中移除。同时，算法要能有效处理数据中的噪声并准确识别离群点。

开发满足这些要求的算法并非易事，许多用于静态数据集聚类的算法并不适用，因为它们无法高效更新内部模型。即便采用滑动窗口的概念，这些算法每次仍需从头重建模型。

本文介绍的DeltaDens算法基本满足上述要求。它是一种基于密度的算法，利用了密集邻域的概念，实现了简单的内部聚类模型，可进行增量维护。同时，该算法还提供了一种新的模型处理方法，能够在线更新已识别聚类的集合。