物聯(lián)網(wǎng)數(shù)據(jù)挖掘是物聯(lián)網(wǎng)技術(shù)中重要環(huán)節(jié),傳統(tǒng)數(shù)據(jù)挖掘已經(jīng)不能滿足物聯(lián)網(wǎng)技術(shù)要求,云計算具有強大的計算能力和儲存大規(guī)模數(shù)據(jù)的能力,云計算的出現(xiàn)給物聯(lián)網(wǎng)數(shù)據(jù)挖掘提供了新的方向。在這樣的背景下,出現(xiàn)了一種基于云計算的物聯(lián)網(wǎng)數(shù)據(jù)挖掘技術(shù),引起了全世界的廣泛關(guān)注。本文對數(shù)據(jù)挖掘中的K-means算法進行研究,解決K-means算法存在聚類不穩(wěn)定,無法處理大規(guī)模物聯(lián)網(wǎng)數(shù)據(jù)等問題。本文主要研究內(nèi)容如下。首先,對K-means聚類算法存在初始聚類中心選擇隨機性、噪聲點的影響,提出DLCK-means算法,該算法結(jié)合了LCD算法的優(yōu)點,去除了噪聲點和確定了初始聚類中心點,實驗證明了該算法的可行性,然后,針對K-means算法k值需要事先指定的缺點,提出AK-means算法,通過實驗證明了該算法的有效性,之后,提出ALCDK-means算法,該算法結(jié)合了DLCK-means和AK-means兩種算法,成功解決了初始中心選擇隨機、噪聲點影響、k值事先指定等缺點。把該算法運行在單機上,對不同的數(shù)據(jù)集進行聚類效果和準(zhǔn)確率進行測試,實驗表明ALCDK-means算法與K-means算法比較,聚類效果得到明顯的改善,... 

【文章來源】：長春理工大學(xué)吉林省

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 選題背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 物聯(lián)網(wǎng)研究現(xiàn)狀
        1.2.2 云計算研究現(xiàn)狀
        1.2.3 數(shù)據(jù)挖掘研究現(xiàn)狀
    1.3 論文結(jié)構(gòu)內(nèi)容及工作安排
第2章 物聯(lián)網(wǎng)、云計算和數(shù)據(jù)挖掘技術(shù)
    2.1 物聯(lián)網(wǎng)
        2.1.1 物聯(lián)網(wǎng)的概念
        2.1.2 物聯(lián)網(wǎng)的構(gòu)成
        2.1.3 物聯(lián)網(wǎng)關(guān)鍵技術(shù)
        2.1.4 物聯(lián)網(wǎng)的應(yīng)用
    2.2 數(shù)據(jù)挖掘
        2.2.1 數(shù)據(jù)挖掘的概念
        2.2.2 數(shù)據(jù)挖掘的過程
        2.2.3 數(shù)據(jù)挖掘算法
    2.3 云計算
        2.3.1 云計算的概述
        2.3.2 云計算的關(guān)鍵技術(shù)
    2.4 Hadoop概述
        2.4.1 MapReduce計算模型
        2.4.2 HDFS分布式存儲文件系統(tǒng)
    2.5 本章小結(jié)
第3章 ALDCK-means聚類算法分析
    3.1 聚類分析
        3.1.1 聚類分析基礎(chǔ)理論
        3.1.2 聚類算法介紹
    3.2 ALDCK-means算法
        3.2.1 LDCK-means算法
        3.2.2 AK-means算法
        3.2.3 ALDCK-means算法
    3.3 基于Hadoop的 ALCDK-means算法設(shè)計及實現(xiàn)
    3.4 本章小結(jié)
第4章 實驗仿真及結(jié)果分析
    4.1 搭建實驗環(huán)境
        4.1.1 軟硬件環(huán)境
        4.1.2 Hadoop實驗環(huán)境搭建
    4.2 實驗數(shù)據(jù)集準(zhǔn)備
    4.3 實驗與分析
    4.4 本章小結(jié)
第5章 總結(jié)與展望
參考文獻
致謝



本文編號：2988529