大数据时代给生活提供便利的同时,数据的迅速膨胀也带来了许多挑战。对于个体、企业和政府等多方来说,在当前存在的大数据中挖掘出有价值的信息是至关重要的。这涉及到数据的复杂性以及如何在合理的时间内获取最重要的信息。本文的主要研究内容是基于Kalman Filter的增量式聚类算法研究,探讨改进的算法原理和性能有着很现实的意义。本文主要研究工作如下:1.在对聚类算法国内外研究现状进行了解之后,结合Kalman Filter的原理和方法计算数据集的均值,效果较好。该方法为增量式聚类算法提供了一个新思路。2.将Kalman Filter思想运用到聚类算法当中,针对单个类、多个类增量式聚类算法提出了两个命题,并进行理论推导;同时,提出了基于Kalman Filter的增量式聚类的两种算法:基于单个类的ISCC算法和基于多个类的IMCC算法;运用数学软件MATLAB对上述提出的两种增量式聚类算法进行仿真实验,结果表明ISCC算法和IMCC算法的可行性和有效性。3.针对高复杂的数据集来说,在只考虑均值和方差的情况下,增量式聚类算法有时可能达不到理想的效果。为了提高算法的精度,引入半监督增量式聚类算法;提出了分别基于二次判别和Bayes判别的两种半监督增量聚类算法:KQDBHIC算法和KBBHIC算法。将KQDBHIC算法和KBBHIC算法与已有算法进行比较,准确率有明显的提高,效果较好,验证了本文构建的算法是有一定优势的。