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
• 来源期刊: 计算机测量与控制
• 关键词: 模糊K均值 聚类 大数据 距离
• 年，卷（期）: 2014,（4）
• 所属期刊栏目: 算法、设计与应用
• 页码范围: 1270-1272,1275
• 页数: 4页
• 分类号: TP393
• 语种: 中文

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Slave-Node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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈思慧	广东海洋大学网络与教育技术中心	16	30	4.0	5.0