一种面向高维数据挖掘的隐私保护方法

为解决隐私保护数据挖掘中的维数灾难问题,提出了一种基于随机投影技术的隐私保护方法.该方法考虑了攻击者可以通过推测随机投影矩阵重建原始数据的情况,首先提出了安全子空间和安全子空间映射的概念,然后利用通用哈希函数生成的随机投影矩阵构造了一个安全子空间映射,实现低失真嵌入的同时保证了数据的安全,最后证明了安全子空间能够保护原始数据间的欧式距离和内积.实验结果表明,在保护数据隐私的前提下,该方法能够有效的保证数据挖掘应用中的数据质量.

高维数据挖掘算法的研究与进展

生物信息学和电子商务应用的迅速发展积累了大量高维数据,对高维数据的挖掘变得越来越重要,一般的数据挖掘方法在处理高维数据时会遇到维灾的问题,同时传统相似性度量在高维空间中也变得没有意义。文章从频繁项集挖掘、聚类、分类等三个方面对最新的高维数据挖掘算法的现状进行了综述,对这些算法如何解决高维数据挖掘存在的问题进行研究。

基于大数据的高维数据挖掘探究

随着信息技术的不断发展,大数据分析逐渐成为人们关注的焦点。大数据不仅具有低密度快速传输的特点,而且还具有海量的数据规模以及多样性的特点。因此,如何科学的处理大数据当中隐含的数据和知识信息,成为相关企业的重点研究项目。现阶段,高维数据挖掘技术由于其重要性和难度大的特点,成为相关工作者的主要研究对象。本文将通过对大数据的特点进行介绍,重点分析高维数据的挖掘技术,为相关工作者提供参考。

高维数据挖掘技术在教学质量监控与评价的应用研究

在教学质量管理中仅对教学结果进行评价是不够的,应该用发展的质量观去衡量教学质量过程,对动态过程的适时监控,促使过程控制与目标管理相结合,通过过程控制达到目标管理。本文分析了高维数据挖掘在教学质量监控与评价的研究现状、意义、内容和方法。

浅谈高维数据挖掘的现状与方法

数据挖掘出现于20世纪80年代后期,是数据库研究中一个很有应用价值的领域.随着大数据出现,高维数据的挖掘成为了热点和难点。本文在介绍传统数据挖掘的基础上,介绍了高维数据的特点以及目前面临的问题,高维数据挖掘最新研究的情况,并在此基础上进行了总结和展望。

基于大数据的高维数据挖掘研究

大数据时代,传统数据处理方式面临着新的严峻挑战。基于此,以面向大数据的高维数据挖掘技术为研究对象,研究建立了基于三维矩阵的数学模型。将数据的每个属性定义为空间中的一个维度,将其属性值用向量来表达,再转化以矩阵形式表示,每条记录的信息用矩阵表示,并以海洋多维数据为例,进行了大数据高维数据主题的抽取。

考虑模糊时间序列的高维大数据挖掘方法研究

高维空间的大数据维数越高,其高维索引结构的性能越差,无法通过数据之间的相似性度量完成挖掘。为此,提出基于模糊时间序列预测的高维大数据挖掘方法。对初始的高维大数据集求取各维度数据的属性信息熵,根据信息熵筛选数据,通过主成分分析备选集合中的数据属性,结合成分协方差与特征值,降低数据维度。采用K均值聚类算法二分聚类处理降维数据,取得粗聚类结果。利用支持向量机的最优超平面与决策树作细化分类。基于时间序列上的数据极值,明确数据集的论域个数与范围,根据模糊化处理的模糊集序数,建立模糊逻辑关系,建立模糊时间序列预测模型,对大数据去模糊化处理,完成高维大数据挖掘。选用UCI大数据库作为样本集设计对比测试实验。实验结果验证了研究方法的大数据挖掘精度更高,数据挖掘加速比高达0.9以上,说明所提方法的实时性较强,具备更好的应用性能。

Gen-Cluster:一个基因表达数据的高维聚类算法

基因表达数据聚类是分析基因之间共调控关系的重要手段.挖掘子空间中表达值存在差异但变化趋势保守的序列已成为基因表达数据聚类的主要研究内容之一.在N-同维趋势相似定义的基础上,提出了一个基因表达数据的高维聚类算法Gen-Cluster,将基因表达值转化为序列形式,采用无重复投影且无候选生成的序列模式挖掘策略自底向上挖掘N-同维趋势模式,并解决了OP-Cluster算法不能挖掘含有项集的序列模式问题,最终得到表达值变化趋势保守的基因序列形成的N-同维趋势簇.实验采用Breast Tumor和MicroRNA表达数据集,验证挖掘结果是有效的,且较OP-Cluster算法表现更高效率,并涵盖其结果.