海量非结构化物联网数据深度挖掘算法研究

发布时间：2021-04-12 23:10

　　由于物联网数据量的激增,传统的数据挖掘算法对数据挖掘效果差,为了提高数据挖掘处理效果,提出对海量非结构化物联网数据深度挖掘算法研究。依靠CR运算进行模糊系统的构建,以T-S神经网络样本搭建神经网络描述,对物联网数据进行输入和输出后,依靠模糊系统逻辑构建物联网数据的粗糙集,对粗糙集进行属性约减。实验结果表明,通过采用本文算法进行数据挖掘后,生成的物联网数据XML文档簇密度值更大,证明本文算法进行数据挖掘时数据之间的界线更清晰,挖掘效果更好。 

【文章来源】：电子设计工程. 2020,28(16)

【文章页数】：5 页

【部分图文】：

深度挖掘算法开发流程

目前数据挖掘需要分析物联网数据类型，由于粗糙集对物联网数据信息进行知识获取时可以对信息进行分辨，因此数据理论的离散化需要获取数据的引入信息，从而获取信息阶段性结果[16]。利用当前物联网数据特征构建数据集合也就是最小特征子集。数据约减过程如图2所示。在粗糙集理论中，数据属性的度量一般需要物联网标志化数据信息。在进行完整的知识表达属性删除和增减后，如果当前数据属性的分类结果变化较大，说明该属性有重要的表达特征。此外可根据属性的表达确定当前属性的鞠策度。设当前决策信息表达式为：S={U,C?D,V,F}，对于任意的特征属性集来说，可从当前属性R中提取属性自己P。二者的属性差距越大说明物联网数据的分类影响力越大。当P为单属性时，可以定义其属性。

通过测试生成数据集IBM，针对当前测试数据集XML文档生成非时序性XML文档，随机模拟操作后进行数据挖掘。选择数据项簇密度为实验指标，进行对比实验。簇密度代表当前挖掘数据之间的平均密度值，这个值越大说明挖掘数据之间的簇关系越清晰。对比结果如图3所示。实验选择了6组数据进行对比，经过数据整理后可以看出，此次设计的挖掘算法其密度值均大于其他挖掘算法。证明本文算法数据挖掘的聚类和准确度更高，处理效果更有效。


本文编号：3134144