基于聚类分析优化算法的数据快速挖掘与智能筛选

为进一步提高数据挖掘算法的处理速度和计算精确度,提出一种基于电力信息数据聚类分析的数据挖掘算法设计。该算法依据聚类分析原理,采用基于密度的聚类方法和相异度矩阵对数据和数据类型进行筛选和相异度计算,并基于聚类分析框架设计数据挖掘算法流程。在数据挖掘算法基本策略下对输入的数据采用SLIO算法处理离散字段,输出需要的数据结果。仿真结果表明,相比其他配网自动化系统数据挖掘算法,所设计算法在数据挖掘速度和准确度上均体现出较好的优势,具有良好的可信度。

基于等价相异度矩阵的聚类

本文介绍了等价相异度矩阵的性质,证明了[d(i,j)]_(n×n)^((n-1))是等价相异度矩阵,并给出了等价相异矩阵的逐次平方求解方法和基于相异度矩阵的聚类方法。最后通过实验证明了此聚类方法的可行性和有效性。

基于用户情景的协同过滤推荐

为提高基于项目的协同推荐算法的预测效果,引入用户情景因素。首先计算用户情景因素的相异度矩阵,然后按照用户间相异度大小,采用基于等价相异度矩阵聚类算法对用户进行聚类。在聚类后的用户簇中,选取与目标项目相异度小的项目作为近邻,为用户对目标项目进行评分预测。最后,在标准的MovieLens数据集上进行实验。通过对改进的推荐算法与经典的基于项目的协同推荐算法SlopeOne进行比较,实验数据表明改进后算法的推荐结果有较大提高。

模糊聚类技术在甘蔗种植户信息分析中的应用

利用数据挖掘中的模糊聚类分析方法,获取具有不同种植行为特征的甘蔗种植户群组。这有助于制糖企业对各群组作深入分析及制定相应的关怀策略。

数据挖掘在学生职业能力分析中的应用

利用数据挖掘中的模糊聚类分析方法,从高职学生职业能力评价数据集中提取相关的分类知识,得到具备不同职业能力水平的学生群组,有利于高职院校针对各群组作深入分析并制定更为有效的职业能力培养策略。

隐私保护的快速聚类算法

针对基于安全多方计算聚类算法的低效问题,提出了基于聚类特征树结构的隐私保护的层次k-means聚类算法。算法基于半诚信模型,在第三方内存中保留对各记录的索引信息及聚类特征树的当前层信息,减少了I/O次数和通信量,克服了难以适应多数据方和因过于信赖第三方导致隐私泄漏等缺陷。算法通过基于安全多方计算的标准化协议、距离计算协议和聚类中心计算协议,实现了数据的有效保护,综合层次和k-means聚类算法的优点,提高了计算精度和算法的可伸缩性。理论证明了算法的安全性和高效性,实验结果表明所提算法优于同类算法。

基于电力营销聚类分析的数据挖掘算法研究

为提高数据挖掘算法的挖掘速度,同时提高其精准度,提出基于电力营销聚类分析数据挖掘算法研究。首先运用聚类算法筛选数据,再计算数据结构和相异度矩阵相异度,得出最接近的类距离。完成上述步骤后,在聚类分析框架下,设计聚类分析数据挖掘算法流程。先输入数据,再设计数据挖掘算法基本策略,最后提出SLIO算法处理离散字段,得到有价值的数据信息。由此,完成基于电力营销聚类分析的数据挖掘算法设计。实验结果表明,与基于支持度-置信度-提升度的配网自动化系统数据挖掘算法和基于神经网络和粒子群优化的数据挖掘算法相比,文中基于电力营销聚类分析的数据挖掘算法的挖掘速度稳定,挖掘效果更好。同时测试精准度较高,可有效提高数据挖掘的可信度。