基于语义相似性关联特征提取的大数据挖掘技术

为了提高武器装备信息管理数据库中的大数据挖掘能力,提出一种基于语义相似性关联特征提取的大数据挖掘技术.构建武器装备信息管理数据分布式结构模型,采用关联规则信息融合方法进行大数据分块结构匹配处理,结合自适应回归分析方法进行武器装备信息管理数据的关联特征提取,对提取的装备管理数据的关联规则特征量进行属性分类识别,计算大数据的语义相似性关联特征量,结合判决统计分析方法进行大数据的融合调度,采用语义划分方法进行大数据模糊聚类处理,实现武器装备信息管理数据库中的大数据自适应挖掘.仿真结果表明,采用该方法进行大数据挖掘的准确性较高,对冗余数据的抗干扰能力较强,提高了武器装备大数据的自适应挖掘和检索能力.     

基于改进聚类算法的Web异常数据挖掘软件设计

以往Web异常数据挖掘软件通常采用小波变换和回声状态网络模型,存在数据库内闭频繁项集"左边"数据循环散布现象,大大降低了异常数据挖掘精度。研究Web异常数据挖掘的软件开发与改进方法,通过post Web异常数据挖掘的堆栈弹出,保障Web数据库内不出现闭频繁项集"左边"数据循环散布现象。在此基础上,采用改进的K-means算法设计用户行为数据分类模块分类用户行为数据,采用异常检测模块通过MapReduce中的map函数确定数据的异常访问类型,Combine和Reduce函数汇总异常访问类型一致的异常检测数据,输出Web异常数据,并采用警告触发模块进行警告。经实验证明,所研究方法挖掘Web异常数据的平均准确度约为97.86%,挖掘不同规则中异常数据的平均结果为96.88%,说明此方法具有较高的挖掘精度和实用性。     

基于数据挖掘的体育评价决策支持系统开发与研究

为了提高体育评价决策的性能,通过体育关联数据挖掘为系统提供数据支持,进行体育评价决策支持系统优化设计,构建体育评价决策支持系统的总体结构模型,进行系统的功能模块化构架和技术指标分析,在嵌入式Linux的内核结构中进行软件开发,采用VIX总线技术进行体育数据采集。设计基于互信息特征提取的数据挖掘技术。在程序加载模块中进行数据挖掘代码加载,采用Qt/Embedded 4.6创建体育评价决策支持系统形用户接口,实现可视化控制,实现系统的软件开发设计。进行仿真实验分析,结果表明,采用该系统进行体育评价决策信息挖掘的准确度较高,系统的可靠性较好。     

基于人工智能的电商大数据分类与挖掘算法

针对当前电商大数据背景下的数据分类与挖掘中存在递归效率低、周期频繁、冗余度高等问题,文中提出一种基于人工智能的大数据分类和挖掘算法。该算法采用快速Spark架构,在将获取到的电商大数据进行智能Spark分类的基础上,通过设置根据数据管辖维度进行控制的纵向序列,可以在较大程度上提高数据挖掘的效率。在数据挖掘的过程中构建各类数据所对应的挖掘模式,从而能够在最短的时间内生成用户行为树,降低数据挖掘中的冗余度。在数据分类时,将用户行为树及其数据的集合进行依次映射,从而解决因频繁搜索导致的周期收敛困难的问题。使用旅游业电商数据对所提算法进行仿真验证,结果表明,该算法在数据挖掘中消耗时间短、准确度高。     

大数据挖掘技术的图书馆移动用户行为分析

传统行为分析方法存在预测能力不足、分析片面化,获取的行为特征数据规律性较差等问题,导致得到的分析结果与实际不符。基于此,提出大数据挖掘技术的图书馆移动用户行为分析方法。该方法将获取的大数据预先清洗、筛选,并利用转换算法集成特征数据;使用BP神经网络适应度函数构建评估预测模型,挖掘行为特征规律,根据预测结果将特征相互信息值排序;通过聚类算法捕捉具有关联的数据,利用交叉分析法分析用户行为内在性质,实现全面的图书馆移动用户行为的全面挖掘。实验结果表明,与传统方法相比,所提分析方法挖掘用户行为特征数据的能力更强,分析结果准确度更高,可应用于现阶段图书馆移动用户行为分析。     

基于云计算的海量高校体育数据建模与分析

为了提高高校体育信息的管理分析能力,针对当前高校体育数据库建立和信息检索的实时性和系统性不好的问题,提出基于云计算的海量高校体育数据建模与分析方法,构建高校海量体育数据的分布式数据库模型。在云计算环境下进行数据库访问模型设计,采用K均值数据聚类方法进行体育数据的可靠性挖掘,实现高校体育数据的优化信息调度和检索分析。仿真结果表明,采用该模型进行高校海量体育数据分析的实时性较好,数据挖掘的精度较高。     

基于微积分分类数学模型的关联挖掘改进方法

基于弱关联挖掘模型的关联挖掘方法,依据大数据流信息间的局部关联实现数据挖掘,未考虑数据信息流间的互信息特征,挖掘效果差。研究大数据关联挖掘的改进方法,采用微积分分类数学模型改进关联挖掘过程。该方法提取混合云环境下数据信息流的互信息特征,依据该特征采集大数据流模型的最大Lyapunove指数谱特征,通过矩阵压缩方法使得高维矩阵转换成低维矩阵。在此基础上依据微积分极值原理构建大数据的微积分分类数学模型,该模型通过最大Lyapu-nove指数谱网格分布矩阵的奇异值分解方法,分解大数据特征向量矩阵行,将大数据关联挖掘过程转换成小规模并行运算过程,实现大数据挖掘中并行算法的改进。实验结果表明,采用该方法进行关联挖掘运算的时间开销的平均值为4.7 s,扩展率平均为0.7,挖掘效果佳。     

柯西分布下网络入侵跳频数据挖掘技术

对网络入侵跳频数据准确挖掘实现入侵检测,保障网络安全。针对当前的K分布挖掘方法的漏检率大的问题,提出一种基于柯西分布的网络入侵跳频数据挖掘技术。构建网络入侵跳频数据的柯西分布时间序列分析模型,采用双线性Hough变换进行入侵数据的双曲跳频分解,得到网络入侵数据的频谱特征,对提取的入侵数据频谱特征进行柯西分布下的时频分析,实现数据挖掘优化。最后进行仿真测试,结果表明,采用该方法进行网络入侵跳频数据挖掘的准确概率较高,抗干扰性能较强。     

基于MapReduce的健康大数据并行挖掘算法研究

随着信息技术的发展，健康大数据呈指数级别剧增，但数据量过大使得较多有价值的数据被埋没，医疗服务的质量与效率难以提升。为解决上述问题，文中提出一种基于MapReduce的健康大数据并行挖掘算法。首先对健康大数据进行预处理，消除一些不利因素对数据的影响；再以预处理后的健康大数据为依据，获取初始簇中心，度量健康大数据与簇中心之间的距离，聚类处理健康大数据；最后，应用MapReduce制定健康大数据并行挖掘程序，执行制定程序即可完成健康大数据的并行挖掘。实验结果表明，所提算法的健康大数据挖掘效率最大值为94 GB/s，加速比最大值为4.5，相比于其他方法，该算法对健康大数据挖掘的性能更佳。     

高维数据集中局部离散文本数据挖掘方法研究

提出利用基于多目标优化软子空间聚类理论的关联规则数据挖掘方法对高维数据集中局部离散文本数据实现数据特征有效挖掘。首先,利用多目标优化软子空间聚类思想结合非支配排序遗传理论优化加权类内紧致及加权类间分离函数,获取优化后的目标函数及非占优Pareto最优解集,运用加权子空间划分方法对最优解集完成特征聚类;其次,基于关联规则思想运用一种特征提取和关联文本的识别方法,对聚类后的文本特征进行文本间及文本内部的特征识别和分类,即实现了文本信息数据的有效挖掘。实验证明,利用多目标优化软子空间聚类数据挖掘方法可以有效实现高维集中局部离散文本数据的挖掘。