抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
仮想環境における大データの実行時間を減少させるために,データ操作における一定の規則性と特別な分類性を反映することができるので,仮想環境における大規模データのためのインテリジェント並列クラスタリングを必要とする。現在の大データクラスタリング法はK-平均クラスタリング法により大規模データ分類の調整を行い、複数回の計算調整を経て、データ並列クラスタリングの効果を達成するが、新たな大データ流入時には、現在すべてのデータに対してK-平均クラスタリングを行う必要があり、計算プロセスは複雑である。クラスタ化効率は低い。本論文では,MapReduceに基づく仮想環境における大規模データのためのインテリジェント並列クラスタリング法を提案した。まず第一に,大規模なデータセットを仮想環境における大規模なデータセットから抽出し,大規模データクラスタの重心を決定し,Single法を用いて小規模データをクラスタ化し,仮想環境における大データ属性の平均値を得た。最小距離分類規則を用いて大データ属性の平均値を迅速にデータクラスタの真中心に移動させ、Davies bouldin指標に基づいてデータクラスタの発散パラメータを仮定し、このパラメータ値の中で大データの知能並列クラスタリング類似度の最大値を選択した。最後に,Davies-bouldin指数に基づき,クラスタ化類似性を最大化するために,Davies-bouldin指数を用いて,クラスタの離散的閾値をクラスタ化して,反復的計算を行い,データの最適クラスタ中心位置を得ることができた。これにより,仮想環境における大規模データの並列クラスタ化を達成した。シミュレーション結果により,提案した方法は,大規模データ並列化クラスタリングの柔軟性と一般的適用性を改善し,クラスタリング時間を減らし,教育技術分野に適用することができ,教育技術ネットワークのデータをより合理的にするだけでなく,より標準化することができることを示した。Data from Wanfang. Translated by JST【JST・京大機械翻訳】