一种基于Hadoop云计算平台大数据聚类算法设计

传统的数据挖掘技术由于受到编程模型等的约束,产生了不同瓶颈,聚类算法的研究面临着海量的大数据处理与分析的挑战,新兴计算模型Hadoop作为一种可并行处理的云计算平台得到了广泛应用。文章对传统聚类挖掘算法进行改进和优化,在Hadoop云计算平台上进行K-means算法的并行化实现,降低算法的时间复杂度,提高了计算效率。实践证明,改进的K-means算法适合大规模数据集的聚类挖掘,具有高效、准确、稳定、安全等特性,适合于海量数据的分析和处理。

一种基于Hadoop云计算平台大数据聚类算法设计

为了提高聚类的准确度,对传统聚类挖掘算法进行分析、改进和优化,在云计算Hadoop平台上进行DBIK-means算法的并行化,降低了算法的时间复杂度,提高了计算效率.通过实验验证,结果表明DBIK-means算法具有高效、准确、稳定、安全等特性,适合大规模数据集的聚类挖掘.

基于SOA架构与IOCP控管机制的智慧社区系统设计与实现

国内外实践经验证明,社区管理服务无法单纯依靠投入大量的人力和物力来完善,信息化的控制和管理方法是当前社区智慧管理非常重要的手段.为此,提出了基于SOA架构与IOCP控管机制的智慧社区管理系统设计与实现方法,为实现高效的社区管理、灵活的社区事务协调,以及便利的社区系统提供整体设计与实现方案.

一种基于密度的增量k-means聚类算法研究

介绍了k-means和DBSCAN聚类算法的基本原理和优缺点,针对传统聚类算法无法有效处理高维混合属性数据集的问题,对原有的数据归一化方法进行改进,在k-means和DBSCAN聚类算法的基础之上,结合增量聚类的思想和数据之间相异度的计算方法,提出了基于密度的增量k-means聚类算法,有效处理具有高维混合属性的数据集,改进了数据相异度的计算方法。

一种基于密度的增量k-means聚类算法研究

针对传统聚类算法无法有效处理高维混合属性数据集的问题,对原有的数据归一化方法进行改进。在kmeans和DBSCAN聚类算法的基础之上,结合增量聚类的思想和数据之间相异度的计算方法,提出了一种基于密度的增量k-means聚类算法。该算法能有效处理具有高维混合属性的数据集,在准确度和效率方面都得到提高。

计算机应用专业模块化课程体系的构建

本文通过对高职计算机应用专业的课程体系现状的分析,深入地探讨了课程模块、能力模块和职业岗位之间的关系,从而探索出基于岗位和能力本位的计算机应用技术专业模块化课程体系建设的方法和途径,进一步培养计算机应用专业学生的专业技能和就业竞争力。

猫群与k-means算法在储层含油性识别问题中比较分析

在储层含油性识别问题中分别应用了k-means算法、猫群算法对储层含油性问题进行聚类分析,比较两种算法的聚类效果.结果显示,传统的k-means算法常容易陷入局部最优,而猫群算法在样本数目较小时是一种快速、高效的识别算法.当样本数目翻倍时,识别的正确率将会下降,这也充分说明了猫群算法的运算效果受代码和样本大小的影响,有较大的不确定性.

基于.Net技术的国有大中型企业绩效考核系统设计与实现

本文针对我国国有大中型企业不同的考核内容,设计出不同的考核指标、考核权重和考核算法等。系统采用ASP.NET+sqlserver技术,在将所有的考核内容总结的基础上,设计出了一套适合大中型企业运行的绩效考核方法,开发了这套能够服务于企业战略发展目标,便于操作的现代化的绩效考核系统。

垂直搜索在图书馆电子资源系统中的应用研究

电子资源作为现代图书馆的重要馆藏资源,不仅是高校以及其它科研机构从事教学、科研的重要参考资料,其建设水平也成为了图书馆馆藏的主要衡量标准之一.随着图书馆信息化程度的不断提高,如何科学、有效地使用电子资源,已经成为现代图书馆关注的重要课题.而垂直搜索是针对某一特定领域,服务于某一特定人群的搜索,垂直搜索在技术上与传统的搜索并无根本差异,但搜索的策略却发生了变化,即由传统的"大而全"变为"专而精".垂直搜索能有效整合图书馆现有电子资源,提高电子资源的利用率,节省用户时间.在图书馆电子资源系统中发展垂直搜索已经成为水到渠成的事情.