海量數據處理與挖掘關鍵技術研究.pdf_第1頁
已閱讀1頁,還剩118頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著信息技術和互聯網的快速發(fā)展,產生了呈爆炸式遞增的海量數據。數據挖掘是指從大量的數據中通過算法搜索隱藏于其中信息的過程,如何有效地處理、存儲這些海量數據,并從這些數據中挖掘隱藏其中的知識是一項重要而有意義的工作。本文針對大規(guī)模海量數據存在的問題,對數據預處理技術、海量數據存儲方法等進行介紹,尤其對數據預處理中的重復數據刪除技術進行了深入研究改進;在此基礎上,對數據挖掘技術中的多視角聚類算法和關聯規(guī)則算法進行了有針對性的研究和改進,具體

2、包括以下幾個方面的工作:
  1.面對海量數據中存在的問題,在研究數據預處理技術的基礎上,對數據壓縮、增量備份及重復數據刪除技術等數據處理技術進行技術比較,著重針對重復數據刪除技術開展深入研究,提出一種基于自適應優(yōu)化和K-Means的重復數據刪除方法。首先通過在分布式存儲系統(tǒng)中使用一致性哈希算法,以及在目標機器系統(tǒng)查詢中使用Bloom Filter結構算法相結合的索引搜索方式,提升分布式數據索引搜索的效率;同時,通過改進基于Rab

3、in指紋的分塊算法,以及用后綴名劃分的自適應數據分塊優(yōu)化方法,使數據選擇分塊方法具有自適應性和更好的數據傳輸效果;另外,提出基于K-Means的重復數據刪除方法,準確識別重復的數據,提高重復數據檢測和刪除的效率。
  2.應用數據挖掘中的聚類算法對預處理消冗后的數據進行研究,提出一種基于特征加權和非負矩陣分解的多視角聚類(FeatureWeighting andNon-negativeMatrix Factorization-Mu

4、ltiview Clustering,FWNMF-MC)算法。FWNMF-MC算法在多視角聚類過程中同時考慮特征權重和數據高維性問題,針對不同特征的差異性,根據每個視角中每個特征在聚類過程中的重要性,自動賦予不同的權值。通過將每個視角空間中的特征矩陣分解為基矩陣與系數矩陣的乘積,將多視角數據從高維空間映射到低維空間。同時,為了有效利用每個視角信息挖掘聚簇結構,最大化每個視角在低維空間的一致性。實驗表明,已有的算法相比,FWNMF-MC算

5、法能夠取得更好的聚類效果,適用于處理大規(guī)模數據。
  3.應用數據挖掘中的關聯規(guī)則算法對預處理消冗后的數據進行研究,提出一種基于粒子群優(yōu)化的關聯規(guī)則挖掘算法(Association Rules Mining based on Particle Swarm Optimizaton,ARM-PSO)。ARM-PSO算法基于粒子群優(yōu)化策略,首先找到每個粒子的最優(yōu)適應值,通過將這些數據轉換成二進制值后,計算出相應的支持度和可信度作為最小的

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論