云计算技术作为海量数据挖掘的高效解决方案，结合MapReduce并行计算模型与粗糙集属性约简算法，提出了一种基于MapReduce的浓缩布尔矩阵并行属性约简算法。该算法显著提升了粗糙集属性约简在大数据处理中的效率，适应了云计算环境。实验验证显示，该算法具备出色的效率、加速比和可扩展性。
基于云计算的浓缩布尔矩阵并行属性约简算法研究(2015年)
相关推荐
SOIS中基于信息熵的属性约简
粗糙集理论用于SOIS中属性约简。通过信息论视角，引入信息熵和相对信息量。基于信息熵定义属性约简，并提出减价算法。示例说明方法有效性。
数据挖掘
2
2024-05-26
云平台上的Canopy-Kmeans并行聚类算法研究
针对大数据的高维特性及海量性，提出在云计算平台中使用Canopy-Kmeans并行聚类算法。利用三角不等式原理减少计算冗余，显著提升算法执行速度。深入研究了Canopy-Kmeans并行聚类算法，并通过多个不同大小的数据集实验证明，该算法具有良好的加速比、数据伸缩率及扩展性，非常适合于海量数据的挖掘与分析。
数据挖掘
2
2024-07-16
基于启发式算法的属性约简在数据挖掘中的应用
基于粗糙集理论，探讨了属性约简在数据挖掘中的重要性和应用。通过引入启发式算法，详细分析了其在优化数据挖掘过程中的有效性，并结合实例展示了算法的实际效果。技术进步使得这些算法在处理复杂数据集时显得尤为重要。
数据挖掘
0
2024-08-03
基于模糊并行约简的模糊概念漂移探测方法
数据流挖掘作为热门研究领域，涵盖多种数据流类型。本研究借鉴模糊粗糙集和F-粗糙集原理，提出一种针对模糊型数据流的模糊并行约简方法。该方法通过删除冗余属性，利用属性重要性变化探测模糊概念漂移现象。区别于传统方法，该方法基于模糊数据内在特性进行漂移探测，并通过实例验证了其可行性和有效性。
数据挖掘
5
2024-05-15
基于迭代局部搜索和粗糙集的新属性约简算法探讨
介绍了两种基于迭代局部搜索和粗糙集理论的新型属性约简算法。这两种算法均以相对约简的贪婪策略作为起点，并采用不同的属性选择方式。第一种算法采用随机选择策略，而第二种算法则通过复杂的选择程序进行优化。另外，第一种算法设定了固定的迭代次数，而第二种算法则在达到局部最优解时停止迭代。通过对来自UCI的八个著名数据集进行的实验验证，展示了这些算法在属性约简中的显著优势。
Matlab
2
2024-07-21
算法与并行计算
今天的软件并行程序开发工具与硬件潜力之间存在着一个巨大的软件鸿沟。这些工具需要程序员手动干预以实现代码的并行化。编写并行计算程序需要对目标算法或应用程序进行深入研究，比传统的顺序编程更为复杂。程序员必须了解算法或应用程序的通信和数据依赖关系。本书提供了探索为特定应用程序编写并行计算程序的技术。
算法与数据结构
2
2024-07-17
研究论文基于MapReduce的并行关联规则挖掘算法综述
随着数据量的激增，传统算法已无法满足大数据挖掘需求，需要采用分布式并行的关联规则挖掘算法。MapReduce作为一种流行的分布式计算模型，因其简单易用、可扩展性强、自动负载平衡和容错性等优势，得到了广泛应用。对现有基于MapReduce的并行关联规则挖掘算法进行分类和综述，分析其优缺点及适用范围，并展望未来研究方向。
数据挖掘
2
2024-07-16
粗糙集属性约简调研
本调研分析了粗糙集理论中属性约简的方法，为大学生理解这一概念提供了指南。
数据挖掘
2
2024-04-30
云计算任务调度研究的探讨
云计算任务调度是云计算管理中的关键问题之一，对于提高云计算系统的性能和资源利用率具有重要意义。深入探讨了云计算任务调度的研究现状、方法及未来展望。在研究现状部分，介绍了基于FIFO、基于优先级和基于机器学习等多种调度策略；在方法部分，对理论分析和实验分析进行了详细说明；在成果部分，总结了各种调度策略的优化效果；在未来展望部分，探讨了混合调度策略、动态调整和强化学习等新的研究方向。
MySQL
0
2024-08-27