对于具有概念漂移的数据流，数据流的特征目标变量的统计特性随着时间的推移，变化方式不可预测，模型的预测精度将降低。为随着模型的预测精度的降低，更新白化值以提高聚类精度。作者提出时效加权算法，确定白化值，建立增量式自适应Logistic白化权聚类算法。

设聚类样本集S1，S2，…，ST，且每个集合的样本个数相同且为n。这里ST为当下时间段数据流的聚类对象集，ST－1为距离当下时间最近的有效时间段数据流的聚类对象集，以此类推，S1为距离当下时间段最远的有效时间段数据流的聚类对象集。S1，S2，…，ST为当下T个有效时间段数据流的聚类对象集，超过有效时间段以前的数据集将被遗弃。对每一个数据流的聚类对象集St（t＝1，2，…，T），计算白化值

其中m为分类个数，p为属性个数，数据T为有效时间长度。且设

增量式自适应Logistic白化权聚类算法步骤如下

算法：增量式自适应Logistic白化权聚类算法。

输入：聚类对象样本数据S1，S2，…，ST，聚类参数m，b，n。

输出：带有集群标签的数据对象。

步骤：(www.daowen.com)

（1）数据清洗和标准化处理。

（2）差分法确定聚类白化值（k＝1，2，…，m，j＝1，2，…，p，t＝1，2，…，T）且计算出λjk。

（3）标定聚类权。

（4）确定类白化函数。

（5）灰色聚类系数矩阵。

（6）给出带有集群标签的数据对象。

（7）停止。