基于模糊改进聚类分析的数据挖掘模型

基于模糊改进聚类分析的数据挖掘模型

庞天杰

【摘要】〔摘要〕针对对海量数据库中的大数据进行优化挖掘,可以提高数据特征的提取和检测能力．传统方法采用模糊C均值聚类的数据挖掘算法,当数据在层次聚类过程中空间特征的相似度差异性较小时,数据挖掘的准确度不高．提出一种基于粒子群混沌差分训练对模糊C均值聚类算法进行改进,建立数据挖掘优化模型．首先提出了数据聚类据挖掘模型的总体构架,采用非线性时间序列分析方法进行数据信息流拟合,对数据信息流进行高阶累积量特征提取,采用粒子群混沌差分训练实现模糊C均值聚类算法改进．以改进的模糊聚类算法对提取的高阶累积量特征进行聚类分析,以分析结果为依据对数据挖掘模型进行优化．仿真结果表明,该数据挖掘模型能有效实现海量数据的优化聚类和特征提取,数据挖掘的精度较高,性能较好,避免挖掘过程陷入局部收敛．

【期刊名称】太原师范学院学报（自然科学版）

【年(卷),期】2016(015)002

【总页数】6

【关键词】〔关键词〕模糊C均值聚类;数据挖掘;混沌;粒子群

0 引言

随着网络大数据信息处理技术的不断发展以及云计算的深入应用,海量的大数据通过云存储分布在网络空间中,如何能从海量的大数据中提取有用的信息特征,实现信息检索和分离,成为相关领域专家研究的重点．数据挖掘又称为数据探勘、数据采矿,是建立在对海量数据的信息特征提取和时间序列分析模型构建的基础上,进行数据聚类分析和特征检测的关键技术,数据挖掘可以实现对海量数据信息