并行PSO结合粗糙集的大数据属性约简算法

针对大数据挖掘和模式识别时基于传统粗糙集理论的属性约简很难使用暴力枚举手段求解的问题,基于MapReduce架构,提出并行粒子群算法与粗糙集理论相结合的数据属性约简算法。建立基于粗糙集理论的数据属性最小约简模型,基于MapReduce并行计算架构,采用并行粒子群算法求解最小约简模型。实验结果表明,相同迭代次数下,相比串行粒子群算法和未采用MapReduce并行架构的并行粒子群算法,提出的4计算节点的并行粒子群算法的平均运行时间分别可降低71.2%和58.13%,对数据集属性的维度压缩分别提高了11.3%和6%以上。

基于医疗数据的属性约简聚类分析算法

通过医疗数据预测疾病的发展状况具有十分重要的意义。介绍聚类分析和属性约简的概念,阐述典型的聚类分析流程和新的基于属性的约简聚类分析算法,通过对医疗数据进行属性约简,可极大提高聚类分析过程的效率,同时通过与现有经典聚类算法的比较,证明该算法的有效性。

基于粗糙集理论的超稠油油藏水平井吞吐效果评价及其影响因素分析

影响超稠油油藏水平井蒸汽吞吐开发效果的因素包括地质参数、流体参数、开发参数、水平井设计参数等众多因素,寻找主要因素对于超稠油油藏水平井吞吐效果评价及开发调整设计具有重要意义.基于粗糙集理论对影响超稠油油藏水平井吞吐效果的10个因素进行数据属性约简,同时利用灰色关联分析,对这些因素进行敏感性分析;应用Elman神经网络比较上述两种结果,证明了粗糙集理论进行数据属性约简的方法更准确.最终得到注汽干度、注汽强度、注汽速度、水平段长度和注汽压力对水平井的开发效果影响最大.实例计算表明,方法实用有效,精度较高,可用于超稠油油藏水平井吞吐效果评价及开发、调整设计.