基于MIP和改进模糊K-Means算法的大数据聚类设计

作     者：陈思慧 Chen Sihui

作者机构：广东海洋大学网络与教育技术中心广东湛江524088 

出 版 物：《计算机测量与控制》 (Computer Measurement &Control)

年 卷 期：2014年第22卷第4期

页      码：1270-1272,1275页

摘      要：为了克服经典模糊K-Means算法在面对大数据聚类时所出现的聚类效率低和运行时间长的问题,提出了一种基于层次式MPI并行编程模型和改进模糊K-Means算法的大数据聚类方法;首先,引入多层MasterNode节点设计了一种改进的层次式MPI并行编程模型,然后,引入类间距离和类内距离得到一种最优聚类数的计算方式,并设计了一种改进的模糊K-均值聚类算法;采用SlaveNode节点并行运行改进的模糊K均值算法进行数据子集聚类,然后再通过各层MasterNode节点进行汇总和进一步处理;仿真实验表明文中方法能较为精确地实现大数据聚类,准确精确度较经典模糊K均值算法平均约高5.6%,弥补了经典模糊K-Means方法在处理大数据时的正确率低和低效的缺点,具有很强的优越性。

主 题 词：模糊K均值 聚类 大数据 距离 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 08[工学] 081201[081201] 0812[工学-测绘类] 

D　O　I：10.3969/j.issn.1671-4598.2014.04.093

馆 藏 号：203150560...