陆江东, 郑 奋, 戴卓臣

(第二军医大学 基础医学部,上海 200433)

引言

随着大数据的快速发展和延伸,已经应用于工业[1]、农业[2]、物流[3]和财务管理[4]等各个领域,成为高速可靠应用的关键技术之一. 因此,实现大数据的网络化[5]和高速共享成为重要研究方向之一. 然而,在大数据网络中,如何实现异构性大数据的高效识别和精确挖掘[6],保障大数据处理的有效性和可信性[7]成为当前亟需解决的关键问题.

在分析最佳特征子集及其派生增长速度的基础上,文献[8]基于高维和流格式的数据馈送的大数据,提出了一种新的轻量级特征选择. 该特征选择可用于挖掘飞流数据,从而加速粒子群优化类型的群搜索效率,提高分析精度和缩短处理时间. 为了保护开采数据中的敏感信息,文献[9]提出了Rampart框架分类的保护方法.文献[10]从类的相关性和上下文线索出发,提出了一种新的多媒体大数据挖掘系统的MapReduce框架基础.从深度学习出发,以个性化特征的分布式数据为处理对象,文献[11]设计了一种适用于广域网络的粗粒度分布式深度学习方法,在精度、通信和响应等方面性能优越. 文献[12]所设计的机会认知和类脑智能相结合的数据挖掘算法,通过融合时间粒度和分割时间序列,结合马氏距离,预测和分析大数据的相关性. 基于关联映射和生物信息网络的多维,文献[13]设计的数据挖掘算法不仅可以降低生物信息网络复杂数据挖掘的低效率和大数据挖掘速度……