基于改进聚类的电力大数据审计证据发现

• 作者: 余从容 卢利娟 梁东贵
• 来源期刊: 计算机与数字工程
• 学科: 工学
• 关键词: Leaders算法 改进蜂群算法 K均值聚类 并行运算
• 年，卷（期）: 2018,（8）
• 所属期刊栏目: 算法与分析
• 页码范围: 1491-1495
• 页数: 5页
• 分类号: TP393.0
• 字数: 3786字
• 语种: 中文
• DOI: 10.3969/j.issn.1672-9722.2018.08.002

摘要

随着电力企业数据量成海量增长以及大量的非结构化数据存储,计算机辅助审计方式遇到了极大的数据处理瓶颈和审计局限性,为此,提出了基于并行蜂群优化K-means聚类电力大数据审计证据发现算法.算法通过Leaders算法初始聚类使初始聚类中心的设置更合适,通过改进蜂群与K-means算法交替迭代优化聚类中心,使得数据聚类更加精确,同时通过并行运算使得算法在大数据下仍能保持较高的运行效率;在审计大数据精确聚类基础上,含有实例数较小的聚类则被认为具有较大审计可疑,从而配合审计经验实现审计疑点发现.仿真数据和实际数据对比实例验证了算法的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	梁东贵		5	8	2.0	2.0
2	余从容		4	6	2.0	2.0
3	卢利娟		3	4	2.0	2.0