不确定数据流聚类技术是一种用于发现不确定数据流中数据项分布信息的方法,可以实时地帮助用户在海量的数据中发掘有价值的信息。不确定数据流聚类技术的根本目的是提高聚类结果的质量、过滤噪声及过期信息并降低时空资源的消耗。为了能用较少的资源消耗获得高精度的聚类结果,本文对传统滑动窗口技术进行了改进,并在此基础上给出了基于可变滑动窗口技术的聚类算法,主要研究内容如下:(1)改进了传统的可变滑动窗口技术。针对传统可变滑动窗口技术中,窗口大小设置不灵活的问题,本文设置窗口大小可随着数据流速度的变化动态调节,并将窗口大小均匀划分为大小相等的子窗口,定义为元窗口,以元窗口为缓冲数据的基本单元。通过动态设置概率阈值,可在聚类的同时为最近元窗口内数据项分类,将低概率数据直接纳入离群点缓冲区,降低资源消耗。同时还定义了数据流速变化幅度和变化频度两个概念,合理地选择两种窗口调节算法,适应数据流的演化情况。(2)给出了基于可变滑动窗口技术的不确定数据流聚类算法。通过结合改进后的滑动窗口技术,文章给出了一种新的不确定聚类算法VSWC,将聚类过程模块化,使聚类过程更加清晰,并定义了新的不确定数据聚类特征SWUCF,能更全面地描述微簇特征。首先,算法在初始化阶段,设计了新的初始微簇生成方法;其次,在最优簇寻找阶段,综合考虑了最大半径、最小数据项个数及最大概率密度增量三种因素来选择最优簇;然后,使用使用金字塔时间框架存储微簇快照,并改进衰减函数来淘汰过期数据;最后,使用微簇的不确定密度对k均值算法进行改进,响应用户请求。(3)设置实验对算法的效用进行了评估。通过使用KDDCUP99数据集和人工数据集,在多种数据流环境下设置多组实验,对VSWC算法的效用进行评估。实验表明,本文算法在聚类纯度、距离平方和、时间和内存消耗方面与Umicro算法及Emicro算法对比有一定优势,在数据流流速变化幅度和频度较大情况下效果更加明显。图[24]表[5]参[52]