宗文泽，吴永明,，徐 计，黎 旭，王 晨

(贵州大学 a.现代制造技术教育部重点实验室；b.公共大数据国家重点实验室，贵阳 550025)

0 引言

伴随着大数据时代的到来，医学、生物、金融、工程和工业生产等领域产生了大量的具有明显的时间顺序性的数据[1-3]。尤其是生产的信息化和传感器的普及，使越来越多的数据被实时记录下来，形成了时间序列数据。在时间序列数据中，异常数据往往携带着大量有用的信息，所以时间序列数据的异常检测正在在当今社会关注度越来越高。与此同时，聚类算法作为机器学习算法的一个重要分支[4-6],不需要给数据打标签，不需要标记实例[7]，成为最适合处理时间序列数据的方法之一，得到广泛研究和应用。

聚类算法一般可以用基于划分、基于密度、基于层次等方式来进行分类[8]。黄晓辉等[9]结合特征加权方法,提出了一种新的通过在子空间内最大化簇中心与其他簇数据对象的距离来融合簇内和簇间距离进行聚类的加权K-means方法(KICIC)来解决高维数据聚类问题。秦佳睿等[10]提出一种自适应选择局部半径的密度聚类算法(SALE-DBSCAN),通过确定密度峰值点,自适应选择聚类的局部邻域半径,简化了参数选择的过程；通过使用自适应选择的局部邻域半径扩张密度峰值点的邻域进行聚类,提高了聚类结果质量。季姜帅等[11]构建了融合精英保留法与轮盘赌的选择算子，并通过优化适应度函数和小生境策略保持种群多样性，加快收敛速度，提升聚类精度。……