大数据网络中数据分类优化识别分析

大数据时代的到来给人类生活带来许多便利,涉及各个行业领域。由于数据量的庞大,在进行处理时,较难把握数据的完整性和纯度性,运用大数据进行数据分类优化可以保证数据质量,提高数据管理效率。就数据分类优化的相关概念进行阐述,指出传统数据分类方法的不足,探讨数据分类在大数据网络中如何应用。

基于1D-CNN的弹链运动加速度分类与识别

针对人工判读研究弹链运动规律时存在过程复杂、效果不佳的问题,结合弹链运动加速度的1维特性,提出一种基于1D-CNN的弹链运动加速度分类与识别方法。基于Keras深度学习框架搭建1维卷积神经网络模型(1D convolutional neural network,1D-CNN),对小口径自动炮射击试验中获取的弹链运动加速度信号进行数据预处理并制作训练集和测试集,利用训练集和测试集对1D-CNN模型进行训练和测试。结果表明:利用1D-CNN模型可实现弹链运动加速度信号的分类和识别,准确率在84%左右,达到了预期效果。

基于代价敏感思想和自适应增强集成的SVM多分类算法

针对数据识别分类在传统的支持向量机(SVM)个体分类器上正确识别率不理想的问题,提出一种基于代价敏感思想(cost-sensitive)和自适应增强(AdaBoost)的SVM集成数据分类算法(CAB-SVM)。在自适应增强算法每次迭代训练SVM弱分类器之前,根据样本总数设置初始样本权值,并抽取样本组成临时训练集训练SVM弱分类器。其中在权重迭代更新阶段,赋予被分错样本更高的误分代价,使得被分错样本权重增加更快,有效地减少了算法迭代次数。同时,算法迭代过程极大地优化了个体分类器的识别鲁棒性能,使得提出的CAB-SVM算法获得了更优越的数据分类性能。利用UCI数据样本集的实验结果表明CAB-SVM分类算法的正确识别率高于SVM和SVME算法。

数据分类错误率的概率统计模型研究

数据分类的是否准确直接关系着企业战略决策是否合理,数据分类错误率越低,决策越合理。在此背景下,建立一个概率统计模型对数据分类错误率进行统计。首先对分类错误数据进行识别,主要识别过程包括数据标准化与归一化处理、数据特征提取以及数据相似度计算,然后构建概率统计模型,模型构建分为四步,第一以识别出的分类错误数据作为统计模型指标,第二步计算每个模型指标权重,第三步确立隶属度函数,第四步计算数据分类错误率概率。