覃兵文

摘 要： 为了提高大数据的分类识别和检索性能，需要进行大数据优化挖掘，故提出一种基于弱关联性指数特征分布提取的大数据分类挖掘方法。对大数据信息流采用稀疏性融合方法进行聚类空间划分，通过自相关特征匹配方法进行大数据高维分形特征重组，采用向量量化方法进行大数据的基元分类的收敛性控制，提取大数据信息流的弱关联性指数特征，实现大数据的优化分类和挖掘。仿真结果表明，采用该方法进行大数据分类挖掘，提高了大数据挖掘检索的查准性和查全性，挖掘的准确性较高，抗干扰能力较好。

关键词： 大数据； 信息融合； 分类挖掘； 聚类空间划分； 特征提取

中图分类号： TN911?34； TP311 文献标识码： A 文章编号： 1004?373X（2017）24?0034?03

Abstract： As big data optimization mining is needed to improve classification recognition and retrieval performance of big data， a big data classification mining method based on distributional extraction of weak correlation index features is proposed. The sparse fusion method is adopted to perform clustering space division for big data flow. The high?dimensional fractal features of big data are reorganized by using the self?correlation feature matching method. The vector quantification method is adopted for convergence control of base element classification of big data. The weak correlation index features of big data information flow are extracted to realize optimization classification and mining of big data. The simulation results show that the method for data classification and mining improves the precision and recall performance of big data mining and retrieval， and has high mining accuracy and good anti?interference capability.

Keywords： big data； information fusion； classification mining； clustering space division； feature extraction

0 引 言

随着网络空间的不断扩容以及网络信息技术的发展，在网络云存储数据库中，大数据存在较大的差异性特征，需要对大数据进行分类挖掘，提高对大数据信息库的检索和分类识别能力，研究大数据分类挖掘技术，在提高大数据检索、访问、调度和特征提取能力方面具有重要意义，相关的数据分类挖掘方法研究受到人们的极大重视[1]。当前主要采用主成分挖掘方法、粒子群分布式挖掘方法以及统计特征提取的大数据挖掘方法[2]。通过自适应分布式学习算法实现大数据挖掘，把网络分布式云存储大数据时间序列解析模型分解为含有多个非线性成分的统计量，进行数据的分布式特征重构，提高数据挖掘的抗干扰能力。……