Clasificar flujos de datos se ha convertido en un tema candente y se ha aplicado ampliamente a muchas aplicaciones del mundo real. En comparación con la clasificación tradicional, la clasificación de flujos de datos es más desafiante. La Teoría de Resonancia Adaptativa (ART) es un método de clasificación poderoso (en línea), puede ajustarse automáticamente para aprender tanto información abstracta como concreta, y puede responder a bases de datos no estacionarias arbitrariamente grandes mientras tiene menos parámetros, baja complejidad computacional y menos sensibilidad al ruido, pero su representación de características limitada dificulta su aplicación a flujos de datos complejos. En este artículo, considerando sus ventajas y desventajas, presentamos su extensión flexible para la clasificación de flujos, llamada teoría de resonancia adaptativa fraccional (FRA-ART). FRA-ART mejora la representación de datos al exponenciar fraccionalmente las características de entrada utilizando funciones de base auto-interactivas (SIBFs) e incorporando la interacción de características a través de funciones de base cruzada interactivas (CIBFs) a costa solo de introducir un orden fraccional ajustable adicional. Tanto SIBFs como CIBFs pueden ser precalculados utilizando algoritmos existentes, lo que hace que FRA-ART sea fácilmente adaptable a cualquier variante de ART. Finalmente, experimentos comparativos en cinco conjuntos de datos de flujos de datos, incluidos conjuntos de datos artificiales y del mundo real, demuestran la robustez superior de FRA-ART y un rendimiento comparable o mejorado en términos de precisión, información mutua normalizada, índice de rand y estabilidad de clúster en comparación con ART y el algoritmo G-Stream de última generación.