海量数据的支持向量机优化挖掘方法

李清霞

摘 要： 传统支持向量机挖掘方法可以对领域数据实现挖掘，但在复杂多变环境下数据挖掘离散程度较大。提出海量数据的支持向量机优化挖掘方法，构造静态粒子空间，局限海量数据挖掘离散程度，形成小规模的、多簇团的粒子挖掘数据集；将单粒子挖掘数据进行离散性拟合，以多簇团粒子整合离散运算，保证挖掘计算进行周期性运行；对同轨挖掘计算进行条件约束，实现小离散程度的数据挖掘。仿真实验验证结果表明，支持向量机优化挖掘方法在复杂多变环境下具有较高的稳定性，并且挖掘离散度小、挖掘信息精度较高。

关键词： 海量数据； 支持向量机； 多簇团粒子； 数据拟合； 整合运算； 挖掘离散； 优化方法

中图分类号： TN911?34； TN913 文献标识码： A 文章编号： 1004?373X（2018）06?0137?04

Abstract： The traditional data mining method based on support vector machine （SVM） can mine the domain data， but has high data mining dispersion degree in the complex and changeable environment. Therefore， an SVM?based optimization mining method of massive data is proposed to construct the static particle space， limit the data mining discrete degree， and form the small?sized and multi?cluster particle mining data sets. The discrete fitting is carried out for the single?particle mining data， and the multi?cluster particles are integrated for discrete operation to ensure the periodical operation of mining calculation. The conditional constraint is performed for the one?orbit mining calculation to realize the data mining with low discrete degree. The simulation experimental results show that the optimization mining method based on SVM has high stability in the complex and changeable environment， low mining discrete degree and high information mining accuracy.

Keywords： massive data； support vector machine； multi?cluster particle； data fitting； integration operation； mining dispersion； optimization method

0 引 言

支持向量机是近年来广泛受到关注的机器学习与分析方法，广泛应用于函数估计、模式识别、图像处理和生物信息学等诸多领域。传统的支持向量机挖掘方法可以对领域内数据进行挖掘，但在复杂多变环境条件下，存在挖掘离散性较高的问题。根据以上问题，提出海量数据的支持向量机优化挖掘方法。实验结果表明，海量数据的支持向量机优化挖掘方法，在多变复杂的环境下具有良好的稳定性，在较小的离散性下保持较高的数据挖掘精度。

1 海量数据的支持向量机优化挖掘技术

1.1 构建静态粒子空间局限离散程度

对单个数据单元进行离散性提取，将具有同一性的数据进行归一化处理，利用核函数的计算，将反应同一性的参数进行粒子运算，海量信息计算提取的同一性数据定义了初始化群的离线性质[1]。……