基于数据挖掘聚类方法识别串并多发性侵财案件平台的设计与实现

多发性侵财案件量广面大,直接损害广大人民群众切身利益,严重影响人民群众的幸福感、安全感,人民群众反映强烈,各级党委政府高度重视。多发性侵财案件具有高发性、地域性、选择性等特点,识别串并案件的难度较大,讨论一种基于数据挖据聚类的数学方法,以期实现对多发性侵财案件的机器识别和串并。

基于web日志挖掘聚类算法的电子商务商业智能研究

随着互联网的日益普及和电子商务的迅速发展,基于Web日志挖掘聚类算法的电子商务在市场中竞争越来越激烈.本文首先概述Web使用挖掘,简单介绍日志挖掘技术中两个关键技术,聚类分析和序列模式挖掘,进而讨论Web日志挖掘的数据预处理过程,包括用户,数据净化,路径补充等.对于传统的矩阵聚算法进行优化,应用该算法可以对客户和页面进行聚类分析,达到发现相似的客户群体,挖掘潜在客户群.通过实验表明改进的算法具有较高的扩展性和准确性,证明将挖掘结果应用于个性化推荐系统的思想是可行有效的.

大数据场景下用户评论聚类文本挖掘算法

因传统文本数据挖掘算法在大数据场景下的文本聚类挖掘效果较差,提出一种大数据场景下基于文本数据挖掘的用户评论聚类算法。首先,通过设计改进的信息增益算法提取用户评论数据特征,根据信息熵提取文本关键字和不平衡数据项形成特征数据。之后,使用改进的聚类数据挖掘算法对特征数据进行聚类挖掘。最后,基于Spark框架将改进的聚类数据挖掘算法进行并行化改造。设计实验验证分析所提特征提取算法与聚类挖掘算法的性能,结果表明在大数据场景下所提算法的运行时间、准确率和加速比方面优于传统算法。

基于云边协同的社交网络大数据聚类挖掘方法

社交网络数据量庞大,若缺乏高带宽和低延迟技术支持,将导致聚类挖掘尺度误差的增大和精度的降低。为解决以上问题,本文提出了一种基于云边协同的社交网络大数据聚类挖掘方法。首先,利用云边协同计算的能力,对社交网络大数据进行挖掘处理,并重组其空间区域结构信息。其次,基于云边协同计算的特征统计能力,进行特征信息逻辑推理,对挖掘得到的社交网络大数据进行分析。最后,在云边协同空间区域内,重新组织社交网络特征数据的聚类结构,从而更准确地确定聚类中心,实现对社交网络大数据的聚类挖掘。通过实验证明,该方法有效降低了挖掘偏差,提高了挖掘过程中特征尺度推进能力,并优化了挖掘环境。

基于聚类挖掘的科技数据价值动态监测方法

由于传统的科技数据存在噪声较多,导致科技数据价值动态监测效果较差等问题,提出一种基于聚类挖掘的科技数据价值动态监测方法。预先采用聚类挖掘方法对数据挖掘与聚类,建立动态距离函数,在此基础上对数据自身属性的识别,使相邻之间的数据进行特性交换与结合,并对数据噪声去除,实现基于聚类挖掘的科技数据价值动态监测。实验结果表明,所研究的监测方法在正常数据下和入侵数据下都能够在短时间内实现数据价值动态监测,并且在入侵数据下也能够实现准确监测,满足方法设计需求。

基于聚类规则挖掘的思政教育教学素材整合系统设计

传统思政教育教学素材整合系统技术陈旧,整合效率低。为此,研究基于聚类规则挖掘的新系统。设计系统硬件,明确所需设备。软件部分包括建立素材库、数字化处理、聚类分类和动态扩展整合。测试表明,新系统在大量素材时能显著提高处理效率,有效整合教学资源。

基于云计算与群体智能算法的大数据聚类挖掘技术研究

现阶段,云计算技术不断推广应用,与此同时,大数据、物联网等技术也在不断发展优化。随着数据时代的到来,每时每刻都有大量的数据生成,数据呈现爆炸式增长趋势,而对海量的数据进行挖掘,提升数据利用价值成为技术研究的重点领域。数据挖掘是计算机科学技术的新方向,通过构建多个模型和数据分析工具可以对数据间的联系进行分析,使用强大的算法来收集人们关心的数据。在云计算数据挖掘工具中,聚类分析技术更常用于对数据集进行分组,可以提升模型分析准确性。本文基于云计算和群体智能算法,研究大数据聚类挖掘技术应用,开展仿真实验分析,对比不同聚类挖掘算法结果,验证群体智能算法的聚类效果和准确率更高。

基于蚁群算法的大学生体育锻炼行为特征聚类挖掘方法

以改善聚类分析质量,更好地挖掘大学生体育锻炼行为特征为目的,研究基于蚁群算法的大学生体育锻炼行为特征聚类挖掘方法。通过背景减除的方式确定体育锻炼视频图像中的大学生身体,获取其二值图像,通过图像矩判断体育锻炼中大学生身体的质心,结合局部二值模式直方图特征与质心速度特征获取体育锻炼行为特征向量。构建基于蚁群算法的聚类模型,根据体育锻炼行为特征向量间的一致度实现体育锻炼行为特征聚类。同时针对蚁群算法收敛效率差,且有较大概率产生停滞问题的缺陷,通过优化信息素更新方式与蚂蚁选择路径方式优化蚁群算法。实验结果显示该方法能够准确提取体育锻炼行为特征,获取高质量的体育锻炼行为特征聚类结果。

基于云计算的大数据聚类挖掘算法研究

基于云计算的大数据聚类挖掘,需要结合改进粒子群算法、k-means算法的优势,提出基于改进粒子群优化(Particle Swarm Optimization,PSO)的k-means聚类算法,设置自调节惯性权重、云变异算子,根据数据集种群的进化程度,调整粒子群算法的全局搜索、局部搜索能力,追踪数据粒子的个体极值、全局极值,更新每个数据个体在解空间中的点位置、更新速度,并在数据种群进化到一定程度时进行变异操作,选择全局极值作为期望Ex来控制种群迭代次数,避免数据挖掘陷入早熟收敛、局部最优解的情况。

基于聚类分析策略的用户偏好挖掘

利用训练文档集准确高效地挖掘隐藏的用户文本偏好和概念向量是文本信息过滤和多文档自动文摘等自然语言处理应用的关键技术之一。针对训练文本集中往往存在多个主题类别的问题,提出一种基于聚类分析策略的文本偏好挖掘方法。其基本思路是对训练文档集进行聚类处理,然后对同主题文档进行共性分析,并经过特征权值调整和特征约简,获得表示用户不同主题偏好的概念向量。实验结果表明该方法具有对用户的文本偏好刻画更加精确,对相关阈值变化不敏感等优点,可以与Rocchio等算法结合来进行用户兴趣建模。

郑州—洛阳地区史前连续文化聚落的K-means聚类挖掘研究

利用K-means聚类算法和GIS组件SuperMap Objects,开发了基于连续文化序列的空间数据挖掘系统,运用该系统对郑州—洛阳地区史前3个连续文化时期的聚落进行数据挖掘,提取聚落遗址群的聚类规则。通过对聚类规则的分析可知,在仰韶文化后期和龙山文化时期,那些靠近聚落群中心且面积较大的高等级聚落,在位置和交通方面都具有很大的优越性,具备中心聚落的特点,成为中心聚落的潜力大,有发展成为王都的趋势。

基于页面内容和站点结构的页面聚类挖掘算法

提出了结合站点拓扑结构和Web页面内容的页面聚类改进算法,改进算法引入Web页面的内容链接比和页组的组内链接度,并修改了频繁访问页组支持度的计算公式,以此来提高挖掘结果的兴趣性.通过实验数据的比较,改进算法较一般算法的收敛性好,发现的频繁访问页组的兴趣性高.

多尺度聚类挖掘算法

数据挖掘领域在多尺度研究上已取得了一些进展。然而,当前研究主要集中于空间、图像数据的多尺度挖掘,并且传统的聚类挖掘并未对数据集的多尺度特性进行单独的研究。针对存在的问题,进行了普适性的多尺度聚类挖掘理论和方法的研究。首先,根据概念分层理论扩展尺度定义并构建多尺度数据集;其次,阐述尺度转换原因、分类,归纳多尺度聚类的定义;然后,以克里格法为理论基础,给出多尺度聚类尺度上推算法MSCSUA和多尺度聚类尺度下推算法MSCSDA;最后,利用公用UCI聚类数据集和H省全员人口真实数据集对算法进行实验验证,结果表明MSCSUA和MSCSDA是有效、可行的。

基于滑动窗口的支持泛在应用的流聚类挖掘算法

近年来,泛在数据流挖掘逐渐成为数据挖掘发展的新热点,它具有在有限的资源上去挖掘无限的数据流,并可随时随地返回挖掘结果的特点,对此,本文提出一种基于滑动窗口的流聚类算法;该方法将一个滑动窗口分成n个大小相等的窗口单元,基于窗口单元进行增量式的知识相关性的挖掘,提高了流挖掘的效率;当窗口滑动时,通过衰变函数衰减当前滑动窗口内的第一个窗口单元的挖掘结果,并在当前滑动窗口挖掘结果中将其剔除,实现下一滑动窗口的增量式挖掘.

面向聚类挖掘的局部旋转扰动隐私保护算法

聚类挖掘可以高效准确地从数据中找出很多潜在的、有价值的规律,但也同时存在着泄露用户隐私数据的安全威胁.已经有一些专门针对聚类挖掘的隐私保护研究,其中乘法扰动方法是一种准确性和安全性都较高的隐私保护算法.研究发现已知信息独立分量分析极大地降低了已有乘法扰动方法的安全性,它能够从乘法扰动数据中近似估计隐私数据.为了解决以上问题,提出了局部旋转扰动隐私保护算法,通过准确性分析得出新算法具有零损失准确性.利用安全性分析证明新算法能够有效抵御独立分量分析的攻击,具有更高的安全性.将新算法应用到聚类挖掘中,得到了与未加隐私保护的聚类挖掘非常接近的结果,说明了它的可行性.局部旋转扰动方法的出现,有效地解决了已有乘法扰动方法的安全漏洞,使得聚类挖掘能够更加安全地得到应用.

聚类数据挖掘可视化模型方法与技术

面向通用数据资源,研究聚类数据可视化方法与技术,旨在探索有效的数据处理方法,满足信息领域对高维数据处理的要求。通过对高维数据进行降维处理和可视化映射实现,建立K均值算法的聚类数据挖掘可视化系统模型,实现中间聚簇结果、聚类中心、收敛准则函数值三类要素的可视化。利用加利福利亚大学欧文分校(UCI)数据库中的Iris数据集、Wine数据集、Seeds数据集对可视化系统模型方法进行测试。结果表明,该模型实现了对数据集的有效聚类,能够将中间聚类、聚类中心、收敛准则函数值进行实时有效的可视化表达,达到了预期效果。

一种聚类挖掘软件数据的方法

提出了一种聚类挖掘软件数据的方法。首先将一组软件数据的最可能分类情况称为“中心知识” ,将该组数据的所有可能分类结果称为“知识的浮动域” ,最后将“中心知识”对应分类的可信程度称为“知识的正确度”。分类结果的评价标准主要考虑到 :分类数目适中 ,每个类内半径尽可能小 ,类间距离尽可能大的分类结果具有较高的评价分数。进行的“软件数据挖掘实验”结果表明 ,这种方法更加准确、更加切合实际 ,从理论和实践上证明了软件数据挖掘具有广阔的发展前景。

基于关联规则的聚类挖掘在远程教育中的应用

阐述了在远程教育的研究和应用中,利用基于关联规则的多层次、超图分割聚类方法,对Web网页和用户进行有效聚类。该方法借助网站层次图,可以根据实际需要,在各个层次上进行聚类分析,仅将高度相关的网页和用户聚在同一类,而将关联性较小的网页排除在聚类外。

聚类挖掘中隐私保护的几何数据转换方法

目前,尽管数据挖掘在许多领域都发挥了巨大的作用,但同时它也带来了一系列越来越值得重视的问题,如隐私的保护、信息的安全等。讨论了数据挖掘中的隐私保护问题,提出了一种几何数据转换方法,并将其用于聚类数据挖掘中的隐私保护。实验结果表明该方法可以较好地实现数据挖掘应用中的隐私保护。

面向路线图编制的模糊均值文本聚类挖掘方法研究

为满足技术路线图编制需要,针对模糊c均值对初始值敏感和稳定性差的缺点,通过引入遗传算法和类的概念向量,提出了一种改进的模糊均值文本聚类挖掘方法——CGFCM方法.首先根据遗传算法全局搜索的特点,CGFCM方法利用遗传算法求出文本的初始聚类中心,然后利用类的概念向量,建立概念向量矩阵,使用迭代概念向量矩阵完成文本的模糊聚类划分,实现文本聚类挖掘.最后通过实例对比,验证了CGFCM方法的挖掘效果.