数据挖掘已成为建立智能决策支持系统的关键要素。 作为数据挖掘的主要分支之一,数据流群集在过去十年中受到了很多关注。 大多数现有的数据流聚类技术都依靠欧几里德距离度量来查找相似的对象,因此会产生不总是适合于表示数据的球形聚类。 此外,在大多数现实世界中的问题中,我们遇到了密度变化的数据,这些数据无法通过基于密度的聚类技术来处理。 在本文中,我们基于最近提出的HyCARCE算法,介绍了一种新的聚类技术,称为用于演进数据流的超椭球聚类(HECES)。 在HECES中,对HyCARCE算法进行了一些修改,以处理流聚类问题:使用滑动窗口模型处理传入的数据流,以最大程度地减少过时信息对最近聚类结果的影响; 在寻找相关数据的协方差时,采用收缩技术来避免奇异性问题。 一种用于合并初始椭球体的新颖技术可用于获取最终簇,而不是用于扩展和调整的计算密集型过程。 HECES依靠Mahalanobis距离度量来对数据点进行聚类,因此会形成椭圆形的聚类。 它可以成功处理各种密度的数据。 针对流数据进行聚类的各种综合和真实数据集上的实验提供了我们方法的比较验证。