基于模糊聚类的网络敏感数据流动态挖掘

为解决网络敏感数据流相似性较高且差异性较大,导致挖掘量下降的问题,该文设计基于模糊聚类的网络敏感数据流动态挖掘方法。构建模糊矩阵,计算不同网络敏感数据流样本间马氏距离,衡量两个样本间相似性,消除变量之间的差异性。引入速度收敛阈值,根据不同数据间模糊关系,对网络敏感数据流进行动态分类。利用遗传迭代算法迭代处理敏感数据流最大散度,获取最优离散性迭代值,通过对特征点进行聚类和均匀分配,结合动态挖掘误差拟合实现数据动态挖掘流。由实验结果可知,该方法挖掘到的数据量较多,无论是相似性数据还是差异性数据均能够被全部挖掘出来,挖掘结果具备可靠性。

基于改进模糊聚类算法的大数据随机挖掘仿真

大数据挖掘是从大量有噪声的、随机模糊的大数据中提取有价值信息的过程,由于海量大数据具有多维性、稀疏性以及动态性等特点,准确获取其分布特征的难度较大,随机挖掘难以直接实现。为此提出基于改进模糊聚类算法的大数据随机挖掘方法。利用建立的语义概念树模型获取大数据的特征分布关系,并根据模糊语义分析法得出大数据的语义相似性、关联性条件,提取大数据特征。优先确定最佳聚类数,采用改进模糊聚类算法对其聚类,实现基于改进模糊算法的大数据随机挖掘。实验结果表明,上述方法的大数据模糊聚类效果较好,随机挖掘准确率可达到95%以上,实验所得结果验证了上述方法较强的应用有效性。

基于改进模糊聚类的网络敏感数据流动态挖掘研究

网络敏感数据流动态挖掘过程中受到挖掘规则限制,导致挖掘效率下降,提出基于改进模糊聚类的网络敏感数据流动态挖掘方法。将自动收发行为作为分类准则,对网络数据流实施分类处理,以此获取网络敏感数据流。制定网络敏感数据流动态挖掘规则,限制特征提取过程,得到敏感数据流提取特征参数。根据敏感数据流特征参数对数据流进行聚类处理,利用改进模糊聚类算法挖掘出数据间隐含的信息模式,实现网络敏感数据流动态挖掘。实验结果分析证明,利用提出方法进行网络敏感数据流动态挖掘时具有较高的挖掘效率,实际应用效果好。

基于高斯核函数的差分隐私模糊C均值聚类算法的构建与应用

目的:提出一种基于高斯核函数的差分隐私模糊C均值聚类算法(DPFCM_GF),旨在优化大数据背景下医疗数据分析和挖掘带来的数据隐私安全问题,为数据隐私保护提供理论基础。方法:针对随机初始化模糊C-均值隶属度矩阵降低算法精度问题,采用最大距离法确定初始中心点,使用聚类中心点的高斯值计算隐私预算分配比率,并添加拉普拉斯噪声以完成差分隐私保护,构建DPFCM_GF。收集整理美国加州大学欧文分校机器学习存储库的心脏病、乳腺癌、甲状腺疾病及糖尿病公开数据集对DPFCM_GF有效性进行验证,收集2019年1月1日至2022年12月31日淮安市第二人民医院收治的756例胃癌和肺癌患者病例数据集,对DPFCM_GF的可用性进行验证,并将分析结果与模糊C均值聚类算法(FCM)以及差分隐私模糊C均值聚类算法(DPFCM)进行对比分析。结果:对于心脏病、乳腺癌、甲状腺疾病及糖尿病公开数据集,DPFCM_GF和DPFCM的最优聚类效果与FCM聚类效果相当;相较于DPFCM,DPFCM_GF迭代时间更快,聚集速度显著,差异有统计学意义(t=4.01、4.71、4.01、12.38,P<0.05)。对于肺癌和胃癌数据集,随着隐私预算ε的增大,DPFCM_GF正确识别率逐渐聚集于91.9%和93.9%,受试者工作特征(ROC)曲线下面积(AUC)值分别为0.79和0.81;当隐私函数ε为0.1、0.5、1和2(ε<3)时,DPFCM_GF聚类效果显著优于DPFCM,且聚类效果更佳,差异有统计学意义(χ^(2)=12.25、87.12、68.58、7.76,P<0.05;χ^(2)=4.74、43.51、42.47、4.89,P<0.05)。结论:DPFCM_GF是一种有效保护医疗数据隐私的方法,同时也可进行数据分析和挖掘任务,具有一定的研究意义和研究前景。

基于分布式数据流聚类的成绩层次化评估方法

为提高成绩评估结果的准确率,针对成绩数据具有的多元化、容量大、分布式的特点,引入分布式数据流聚类算法,优化数据聚类精度和时效性,实现成绩层次化评价.首先,通过聚类特征指数直方图建立分布式数据流挖掘矩阵,提高成绩数据的聚类性能.将一阶线性微分方程结合分数阶累加,构建全局聚簇模型,保证聚类性能稳定.然后,采用层次分析法处理成绩数据,将成绩按照基础课程、专业课程及实训课程分类,确保层次化评估的精确率,再结合权重法得到成绩评估结果.实验结果表明,该方法有效实现对成绩数据的层次化评估,精确率、召回率、AUC值分别可以达到98.75%、86.67%、0.987,评估时长仅为488.4 ms,且该方法的收敛效果较优,数据流能耗较低.

大数据中数据挖掘模型的模糊改进聚类算法

在大数据的数据挖掘模型中,普遍采用模糊聚类算法进行数据分析。常用的模糊C均值聚类算法即FCM聚类算法,具有较多明显缺点,如抗噪性偏低、收敛速度慢、聚类数目无法自动确定等。常用的增量式模糊聚类方法通常在原有的以一个中心点为集群代表的基础上,改为选取多中心点进行增量式聚类算法的分析。但是,通过这样的算法进行数据分析也存在一定的问题,主要表现在其中心点选择是固定的,灵活性很差。基于以上原因,文中将对原有基础算法做出改进,主要对大数据中数据挖掘模型的增量型模糊聚类算法做出分析,经实践验证,改进后算法切实可行,普适性较强。

基于文本挖掘的多用户投诉数据流聚类算法

传统数据聚类算法缺乏对文本信息的挖掘,造成聚类效果较差,因此提出一种基于文本挖掘的多用户投诉数据流聚类算法。依据文本挖掘技术原理,选择支持向量机作为文本聚类模型,在算法设计中,首先提取多用户投诉数据文本特征,根据关键字权值和特征项总数,将高维度向量空间降维,删除无关紧要的特征项。使用综合度量法,计算Euclid距离、赫尔曼距离以及正弦相似度得到文本之间相似性,最后优化数据流聚类算法聚类流程,完成聚类算法的设计。设计实验测试所提聚类算法和传统算法的聚类性能,结果表明所提聚类算法的F1值较高,聚类性能优于传统算法。

数据挖掘中模糊C聚类算法的寻优能力优化

随着数据库技术的不断发展,现有的聚类分析算法已经无法满足数据挖掘的聚类分析的需求。本文主要针对传统的模糊C聚类算法,将其中存在的问题进行改进,并在核函数和权值优化的基础上,提出模糊C聚类算法。首先对模糊C聚类算法的特征权值进行优化,然后引入核函数的概念,对模糊C聚类算法的寻优过程进行改进。仿真验证得到的结果是,本文所提出的模糊C聚类算法,能够在核函数和权值优化上有更好和更加稳定的聚类。

基于Apriori算法的国企人力资源数据挖掘方法探析

当前的人力资源数据挖掘原则一般较为固定,缺乏灵活性,导致最终得出的平均挖掘量下降,为此,本文对基于Apriori算法的国企人力资源数据挖掘方法进行研究。结合实际的挖掘需求和标准,先进行人力资源数据采集,以动态的形式,增加数据挖掘的灵活性,并设定数据流动态挖掘原则。在此基础之上,构建Apriori测算人力资源数据挖掘模型,采用动态挖掘误差拟合处理的方式来实现数据挖掘。测试结果表明:相较于传统模糊聚类人力资源数据挖掘方法和传统改进CURE聚类人力资源数据挖掘方法,本文设计的Apriori测算人力资源数据挖掘方法最终得出的平均挖掘量相对较高,这说明该方法的资源挖掘速度更快,效率更高,挖掘针对性显著增强。

基于数据流模糊聚类挖掘的入侵检测系统研究

传统的基于数据挖掘入侵检测技术往往是基于静态数据的检测,随着网络速度的提高和网络流量的剧增,网络数据通常以数据流的形式出现。提出了一种作用于数据流的模糊聚类挖掘算法(SFCM),并且针对该算法提出了一种基于数据流模糊聚类的入侵检测系统,实验结果显示,该方法有较高的检测率和较低的漏报率和误报率。

基于数据挖掘技术的智能仪器数据推荐算法

单机、手工管理监测数据效率低,数据的实时性和准确性不高。为了有效地对海洋生态环境的优劣进行评价,以海洋环境的数据推荐为研究对象,对智能仪器数据推荐系统进行设计。该系统主要包括数据应用系统、数据处理系统、通信系统、数据采集系统和数据库。通过卫星遥感采集海洋相关信息,采用K均值(K-means)和先验(Apriori)算法获取参数之间的关系,利用决策树算法对海洋生态环境进行有效评价。采用模糊C均值聚类算法对海洋出现赤潮进行分析、预测。为了验证系统有效性,对系统进行海洋生态环境分析试验和赤潮预测试验。试验结果表明,系统可以有效分析海洋生态环境,并对赤潮进行较为准确的预测。

配网工程中数据挖掘模型的模糊聚类算法研究

针对配电网工程数据体系较大、现有信息可挖掘价值难以全面利用及数据审计管理精度偏低等问题,文中提出了一种基于模糊聚类算法的新型配网数据挖掘模型。传统数据挖掘中,大多数聚类算法是基于对象间的差异函数进行建模的。而对于具有庞大数据量及较多数据类型的配网工程而言,直接采用传统方法建模较为困难。因此,可同时构造对象并进行属性变量最优划分的聚类算法成为了配网数据挖掘的研究方向。文中在块模糊c均值法的基础上,引入了模糊k值分块聚类的概念,并提出配网数据改进分块模糊k值聚类算法。同时利用最小化目标函数有效减少了算法的迭代次数,实现了智能化感知数据信息波动等功能。且通过两个工程案例的实验结果,从直观数据聚类与配网工程成本数据聚类两个方面,验证了所提改进算法的有效性。

电商客户数据挖掘中的模糊运算聚类算法分析

以精准挖掘电商客户数据为目标,研究电商客户数据挖掘中的模糊运算聚类算法。规范与处理所采集电商客户数据完成数据准备,实现待挖掘数据预处理;通过预处理电商客户数据可获取相异度矩阵和数据矩阵两种数据结构,将FCM模糊聚类分析算法应用于所获取矩阵中;通过优化目标函数获取模糊划分矩阵以及聚类中心,重复迭代更新隶属度函数和聚类中心,直至隶属度矩阵稳定至固定范围,获取不同类别的模糊划分矩阵以及聚类中心即电商客户数据挖掘结果。实验结果表明,将该算法应用于电商客户数据挖掘中,聚类正确率高于99.5%,并具有较高的实时性,可作为电商企业决策依据。

一种新的数据流模糊聚类方法

针对数据流上的聚类任务受到时间、空间限制等问题,该文提出一种基于权值衰减的数据流模糊微簇聚类算法(WDSMC)。该算法使用改进的带权值的模糊C均值算法进行处理,并采用微簇结构和权值时间衰减结构提高聚类质量。实验表明,相对于现有的数据流加权模糊C均值聚类(SWFCM)算法和Stream KM++算法而言,WDSMC算法具有更好的聚类精度。

一种基于密度的空间数据流在线聚类算法

为了解决空间数据流中任意形状簇的聚类问题,提出了一种基于密度的空间数据流在线聚类算法(On-line density-based clustering algorithm for spatial data stream,OLDStream),该算法在先前聚类结果上聚类增量空间数据,仅对新增空间点及其满足核心点条件的邻域数据做局部聚类更新,降低聚类更新的时间复杂度,实现对空间数据流的在线聚类.OLDStream算法具有快速处理大规模空间数据流、实时获取全局任意形状的聚类簇结果、对数据流的输入顺序不敏感、并能发现孤立点数据等优势.在真实数据和合成数据上的综合实验验证了算法的聚类效果、高效率性和较高的可伸缩性,同时实验结果的统计分析显示仅有4%的空间点消耗最坏运行时间,对每个空间点的平均聚类时间约为0.033ms.

数据流聚类挖掘算法优化研究

在大数据时代,概念漂移检测技术用于解决数据流的动态性问题,还存在不足之处.为此,该文基于概念漂移检测算法对大数据下数据流聚类挖掘算法进行优化,提出了改进的FKNN模型算法,解决了算法中的需要专家及运算效率比较低下以及采样密度必须足够大或者说维度比较低的难题.

基于数据流的BIRCH改进聚类算法

数据流管理作为一种新兴课题正在逐渐受到国内外广大研究学者的重视,数据流聚类是其中的一个重要研究领域。论文基于BIRCH聚类算法,提出了一种M-BIRCH聚类算法,克服了BIRCH算法对非球形的聚类效果不佳等缺点。实验结果证明,M-BIRCH聚类算法在聚类质量上比BIRCH有较大提高。

基于人工免疫原理的数据流聚类算法研究

针对传统数据流聚类算法自适应性不强、对问题的依赖性过高以及聚类质量不够理想、聚类效率低下等缺陷,提出一种基于人工免疫原理的数据流聚类IMStream算法。该算法通过引入衰减函数和时刻权重来反映过去的数据与当前流入的数据在整个数据流中的地位,通过计算抗体期望克隆率E(xi)来限制抗体克隆的数目以及保持抗体的多样性,通过采取网络中的淘汰策略使最终的网络结构更符合原始数据流的内在特性。在真实数据集和人工数据集上的实验表明,IMStream算法比传统的数据流聚类算法具有更好的性能。

因特网文本智能挖掘的模糊聚类算法研究

随着Internet的深入发展及普及应用,网络中可获取的大部分文本信息由来自各种数据源的文档组成。由于电子形式的文本信息飞速增涨,可以获知的文本信息已成海量之势,文本挖掘已经成为信息领域的研究热点,快速得到目标文本成为互联网发展的瓶颈。在动态聚类方法和基于特征属性分类法的基础上提出基于混合模糊聚类理论的文本数据分类系统新模型,在模型基础上探究了一种模糊聚类仿真算法,通过实验验证算法能有效提高文本分类效率及文本分类准确率,从而在实际网络文本挖掘应用中快速得到目标文本,实现因特网文本智能挖掘。

大数据中数据挖掘模型的模糊改进聚类算法研究

本文从模糊聚类算法的常规运行步骤展开论述,详细阐述了数据中心点确立改进、算法矩阵改进、算法问题改进措施、算法改进验证这几项模糊聚类算法的改进优化环节,实现了对模数聚类算法构建的深入研究,希望能够为数据挖掘技术数据挖掘水平的发展提供助力。