公开(公告)号：CN109558424B

公开(公告)日：2023-04-18

申请号：CN201811304324.9

申请日：2018-11-03

Applicant: 复旦大学

Inventor： 周水庚 ,  陈金勇 ,  严传续 ,  刘朝斌 ,  陈勇

IPC: G06F16/2455 ,  G06F18/241 ,  G06F18/23

Abstract: 本发明属于数据挖掘技术领域，具体是一种高效的流数据模式挖掘方法。本发明采用最小化验证误差模型来作为聚类划分标准，分两步找出流数据中的隐藏模型。第一步为序列聚类，即：基于增强动态规划方法，找出将数据流划分为多个连续数据段的最优划分；第二步为迭代聚类，即：基于期望最大化方法的工作原理和最优划分的数据段特征，对数据段进行迭代聚类，进而找出流数据中的隐藏模型。实验结果表明，本发明能够对流数据进行有效划分与聚类，错误率较低，且运行时间与数据集大小和数据段多少呈线性相关，效率较高。

公开(公告)号：CN109558424A

公开(公告)日：2019-04-02

申请号：CN201811304324.9

申请日：2018-11-03

Applicant: 复旦大学

Inventor： 周水庚 ,  陈金勇 ,  严传续 ,  刘朝斌 ,  陈勇

IPC: G06F16/2455 ,  G06K9/62

CPC classification number: G06K9/6268 ,  G06K9/6218

Abstract: 本发明属于数据挖掘技术领域，具体是一种高效的流数据模式挖掘方法。本发明采用最小化验证误差模型来作为聚类划分标准，分两步找出流数据中的隐藏模型。第一步为序列聚类，即：基于增强动态规划方法，找出将数据流划分为多个连续数据段的最优划分；第二步为迭代聚类，即：基于期望最大化方法的工作原理和最优划分的数据段特征，对数据段进行迭代聚类，进而找出流数据中的隐藏模型。实验结果表明，本发明能够对流数据进行有效划分与聚类，错误率较低，且运行时间与数据集大小和数据段多少呈线性相关，效率较高。