面向演化数据流的在线稀疏表示聚类

基于摘要分析。本文研究持续到达的高维数据流聚类，提出在线稀疏表示聚类方法 OSRC，通过学习亲和矩阵刻画数据对象之间的关系，并利用代表对象在相邻 landmark window 间传递历史信息。主要研究对象是通用数据流，而非 EEG 或 BCI。 机制上，OSRC 将低维投影（LDP）引入稀疏表示，以自适应减轻高维数据中噪声和冗余的潜在影响；再利用 l₂,₁ 范数优化选择适当数量的代表数据对象，构建稀疏表示字典，以适应演化中的子空间结构。当前 landmark window 的代表对象还用于向下一窗口传递知识。其针对的局限是：依赖高维欧氏距离构建、合并微簇的方法，可能难以充分利用历史窗口信息和动态子空间结构。 作者报告，在一个合成数据集和六个基准数据集上的实验支持 OSRC 相较所比较的数据流聚类方法的有效性。摘要未提供数据集名称、聚类指标、具体分数或对照方法，因此不能量化优势；窗口设置、完整优化目标、在线更新代价、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被转换为连续到达且维度一致的特征向量，低维投影、代表对象字典和跨窗口更新可作为探索非平稳特征聚类的候选模块。迁移假设是窗口间仍存在可复用的子空间结构；这不同于已证实的跨被试或跨会话适应。EEG 的低信噪比、伪迹、通道变化及小窗口样本不足，可能使代表对象失真或历史字典持续保留过时结构。一个可检验的小实验是在固定通道与特征提取条件下，按时间顺序对同一被试 EEG 特征流聚类，比较保留与关闭跨窗口代表传递时的聚类质量和运行开销，标签仅用于离线评估。已有 EEG 相关工作尚未检索确认。