多模态异构大数据混合属性特征匹配筛选算法

多模态异构大数据混合了多种属性数据,具有数据类型繁杂、数据维度较高的特点,在数据挖掘过程中容易降低多模态异构大数据利用率。为了提高特征匹配紧密度,提出多模态异构大数据混合属性特征匹配筛选算法。建立距离矩阵对多模态异构大数据实施混合属性降维;采用主成分分析法提取降维后的数据主成分,将提取到的主成分作为数据混合属性备选特征;计算主成分互信息,筛选互信息值大于1的数据特征,聚集同属性相似特征,实现特征匹配。在4个多模态异构大数据集中进行应用测试,测试结果表明所提算法匹配紧密度均高于0.8,由此证明,该算法具有较高的混合属性特征匹配质量。

基于K-均值聚类的多模态异构大数据检测算法研究

为了解决传统多模态异构大数据检测算法存在的存储极值高、QTI指标低,而导致数据模态混乱的问题,为解决此问题,建立基于K-均值聚类的多模态异构大数据检测算法。以异构语料库作为大数据支撑背景,借助多模态均值分类器,确定相似性检测度量值,搭建基于K-均值聚类的多模态异构体系。在此基础上,利用多模态型TAN检测网络,恢复处于异构状态的大数据结构体,再通过计算粗糙权重水平的方式,实现多模态异构大数据检测算法研究。应用实验结果表明,与MapReduce检测手段相比,应用异构型检测算法后,大数据结构存储极值出现明显的下降趋势,而QTI指标却大幅提升,原始存在的数据体模态混乱行为得到有效控制。