基于密度与分形维数的数据流聚类算法研究的中期报告.docx

基于密度与分形维数的数据流聚类算法研究的中期报告
【摘要】本文以密度与分形维数为基础，研究了一种新的数据流聚类算法。该算法利用密度与分形维数来度量数据点之间的相似性，并通过动态调整聚类半径以适应数据流的变化。实验结果表明，该算法可以有效地聚类数据流，并具有较好的鲁棒性和可扩展性。
【关键词】数据流聚类，密度，分形维数，聚类半径，鲁棒性，可扩展性
一、研究目的
随着数据量的不断增加和数据来源的多样化，数据流聚类成为了数据挖掘领域研究的热点之一。数据流聚类的目的是在不断变化的数据流中，自动发现相似的数据点并将其分为若干类，从而帮助用户发现数据流中的规律和异常。本文旨在研究一种基于密度与分形维数的数据流聚类算法，该算法能够有效地聚类数据流，并具有较好的鲁棒性和可扩展性。
二、研究内容
1.密度与分形维数的定义
密度是指在某一范围内的数据点数目，是衡量数据点间相似性的重要指标之一。本文采用DBSCAN算法中的密度定义方法，即在指定半径内数据点的数目来定义密度。
分形维数是一种衡量数据集复杂度的指标，其可以捕捉数据集中的分形结构。本文采用盒子计数法来计算数据集的分形维数。
2.基于密度与分形维数的数据流聚类算法
本文提出了一种基于密度与分形维数的数据流聚类算法，具体步骤如下：
（1）初始化聚类半径r，设置密度阈值和分形维数阈值；
（2）从数据流中取出一个数据点p，计算其密度和分形维数，并与之前被聚类的数据点进行比较；
（3）若p与聚类的某个类的密度和分形维数都满足设定的阈值，则将p加入该类；
（4）若p不能加入任何类中，则创建一个新的类，并将p加入该类；
（5）根据聚类结果动态调整聚类半径r，使其适应数据流的变化。
3.实验及分析
本文利用UCI数据集上的人类行为识别数据集进行了实验，比较了本文算法和其他数据流聚类算法的聚类效果。实验结果表明，本文算法可以有效地聚类数据流，并且相对于其他算法具有较好的鲁棒性和可扩展性。
三、研究结论
本文基于密度与分形维数设计了一种新的数据流聚类算法，并进行了实验验证。实验结果表明，该算法可以有效地聚类数据流，并且具有较好的鲁棒性和可扩展性。未来可以进一步优化该算法的聚类效果和运行效率。