文献类型：期刊文章

作　　者：陈思慧[1]

机构地区：[1]广东海洋大学网络与教育技术中心,广东湛江524088

出　　处：《计算机测量与控制》

年　　份：2014

卷　　号：22

期　　号：4

起止页码：1270-1272

语　　种：中文

收录情况：BDHX、BDHX2011、CSA、CSA-PROQEUST、INSPEC、ZGKJHX、核心刊

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。

关 键 词：模糊K均值  聚类 大数据 距离  

分 类 号：TP393]