典型文献
基于模糊聚类算法的高维大数据增量处理方法
文献摘要：
现有高维数据增量处理方法由于没有完全抵消类间中心点的相互排斥,导致处理增量数据的缓冲有效比较低,为此,提出了基于模糊聚类算法的高维大数据增量处理方法.利用时间窗口构建了可变增量数据抽取模型,针对抽取数据采用最大相关最小冗余的特征选择方法,过滤增量数据;基于模糊聚类算法抵消类间节点的相互排斥,通过优化中心聚类节点完成对增量数据的聚类处理.测试结果表明,所提算法的数据处理速度差异性较小,当增量变化比小于8％时,三种方法的缓冲有效比P之间的差异性较小;当增量变化比为20％和42％时,所提方法的P值比其他两组方法分别高了6.28％、8.4％和13.61％、14.67％.可见所提方法利用模糊聚类算法,更好地消除了类间中心点相互排斥的问题.
文献关键词：
模糊聚类算法;高维大数据;增量数据;时间窗口;最大相关最小冗余;类间差异
中图分类号：
作者姓名：
张思松;张明
作者机构：
铜陵学院 实践教学管理处,安徽 铜陵 244061;铜陵市爱国小学 安徽 铜陵 244061
文献出处：
引用格式：
[1]张思松;张明-.基于模糊聚类算法的高维大数据增量处理方法)[J].蚌埠学院学报,2022(02):55-59
A类：
B类：
模糊聚类算法,高维大数据,高维数据,抵消,中心点,增量数据,时间窗口,数据抽取,取模,最大相关最小冗余,特征选择,选择方法,处理速度,速度差,三种方法,组方,法利,类间差异
AB值：
0.256667
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
