分布式多空间数据库复杂时态数据提取技术

由于时态数据的处理过程中存在数据片面性的问题,加之其历史复杂性,如果依然采用传统的方法不能对时态数据予以完全描述,而相似性训练算法也无法对动态复杂的时态数据予以准确匹配,导致提取效果不佳,所提取的数据存在误差。由于这种提取方法精确度不高,就需要采用新的方式,分布式多空间数据库复杂时态数据提取技术可以获得良好的效果。健康动态化的径向基神经网络设计出来,采用建模的方法对分布式多空间数据库中所产生的未知动态予以分析、进行辨识,将模型建立起来,对时态数据进行描述。对于所获得结果采用加权的方法进行处理。输入方式复杂时态数据序列,输出方式加权时态关联规则,都采用描述的方法体现出来,运用大数据挖掘技术将有价值的信息提取出来。通过向量计算,得到加权时态频繁项1项集和2项集,并以加权时态频繁项集作为依据将初始频繁项集树建立起来;根据初始频繁项集树就可以得到所有的时态频繁项集;根据运用频繁项集就可以促使加权时态关联规则生成。从所有关联规则中选择规则的时候,要考虑到优先级,构建提取装置,对复杂时态数据有效提取,即便时态数据比较复杂,也可以提取。根据实验所获得的结果明确,这种方法操作比较简单,所提取结果更有较高的精确度,而且全面可靠。本论文着重于研究分布式多空间数据库复杂时态数据提取技术。