电讯技术

作者：尹宏伟,倪钰洲,胡文军

单位：(1.湖州师范学院 信息工程学院，浙江 湖州 313000;2.浙江省现代农业资源智慧管理与应用研究重点实验室，浙江 湖州 313000;3.湖州市水域机器人技术重点实验室，浙江 湖州 313000)

关键词：数据流聚类；子空间学习；可扩展子空间学习；概念漂移检测；

基金：国家自然科学基金资助项目（62206094；湖州市公益性应用研究项目(2021GZ05；江苏省网络空间安全工程实验室开放课题（SDGC2237；湖州师范学院研究生科研创新项目（2024KYCX62

传统数据流聚类方法缺乏对高维数据的在线降维能力，导致其聚类性能受限。为解决此问题，提出了一种基于可扩展子空间学习的数据流聚类方法（Scalable Subspace Learning for Clustering Data Streams,S2狶CStream。首先，通过可扩展子空间学习建立历史数据与新增数据之间的投影关系，将新增数据投影至历史数据张成的子空间中，以实时获取其聚类划分。其次，为保持不同时刻聚类划分的准确性，对持续到达的数据流进行数据分布的一致性检测，捕获其中存在的概念漂移，并结合回溯机制对聚类划分进行调整以适应动态变化的数据分布。最后，通过在多个真实数据集上进行测试，验证了所提方法在处理高维数据流的效能。具体而言，S2狶CStream在保持较高聚类准确性的同时，在应对概念漂移时，处理时间明显优于EmCStream。

来源：2025年第11期

《电讯技术》期刊编辑部

查看电讯技术杂志2025年第11期