庞天杰

(太原师范学院 计算机系,山西 晋中 030619)



基于模糊改进聚类分析的数据挖掘模型

庞天杰

(太原师范学院 计算机系,山西 晋中 030619)

针对对海量数据库中的大数据进行优化挖掘,可以提高数据特征的提取和检测能力．传统方法采用模糊C均值聚类的数据挖掘算法,当数据在层次聚类过程中空间特征的相似度差异性较小时,数据挖掘的准确度不高．提出一种基于粒子群混沌差分训练对模糊C均值聚类算法进行改进,建立数据挖掘优化模型．首先提出了数据聚类据挖掘模型的总体构架,采用非线性时间序列分析方法进行数据信息流拟合,对数据信息流进行高阶累积量特征提取,采用粒子群混沌差分训练实现模糊C均值聚类算法改进．以改进的模糊聚类算法对提取的高阶累积量特征进行聚类分析,以分析结果为依据对数据挖掘模型进行优化．仿真结果表明,该数据挖掘模型能有效实现海量数据的优化聚类和特征提取,数据挖掘的精度较高,性能较好,避免挖掘过程陷入局部收敛．

模糊C均值聚类;数据挖掘;混沌;粒子群

0 引言

随着网络大数据信息处理技术的不断发展以及云计算的深入应用,海量的大数据通过云存储分布在网络空间中,如何能从海量的大数据中提取有用的信息特征,实现信息检索和分离,成为相关领域专家研究的重点．数据挖掘又称为数据探勘、数据采矿,是建立在对海量数据的信息特征提取和……