面向动态数据流的两阶段稀疏表示聚类

基于摘要分析。本文研究潜在无界动态数据流的聚类，提出两阶段稀疏表示聚类方法 TSSRC，重点处理固定大小 landmark windows 内的数据对象关系建模，以及历史窗口知识向当前窗口的传递。原论文的主要对象是通用数据流聚类，并非 EEG 或 BCI。 机制上，第一阶段通过稀疏表示评估对象间关系，并通过求解凸优化问题迭代更新字典与稀疏表示；第二阶段利用稀疏表示结果寻找代表性数据对象，据此初始化后续窗口的字典，实现跨窗口知识传递。摘要将有效关系估计与准确的聚类数量联系起来，但聚类数量如何获得、是否需要预先指定，尚未验证。作者报告，在一定条件下，TSSRC 在连续 landmark windows 中的收敛性与稀疏稳定性具有理论保证，具体假设与适用范围仍需查阅全文。 作者报告在基准数据集上的实验支持方法的有效性与鲁棒性，但摘要未提供数据集名称、评价指标、数值、窗口设置或对照方法，无法据此量化优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将连续 EEG 转换为逐窗特征向量，跨窗口字典初始化可能用于探索非平稳信号中的聚类结构跟踪。这一假设依赖样本间关系可由稀疏表示刻画，且相邻窗口仍保有可复用结构；摘要未交代监督信息与数据规模要求。可复用部分是代表性对象选择和字典传递，需改造部分是 EEG 特征、窗口长度及通道变化处理。低信噪比、伪迹、被试差异或小样本可能使历史字典持续保留错误结构。一个可检验的小实验是在固定 EEG 特征与时间顺序划分下，对比跨窗口初始化与每窗重新初始化，评估聚类质量、稳定性及计算开销；标签仅用于离线评估。已有 EEG 相关工作尚未检索确认。