弱關聯冗余環境下的挖掘算法研究

摘 要：在弱關聯冗余環境下，開展的挖掘算法應用需要考慮關聯屬性，本文主要從模糊神經元網絡學習算法與弱關聯規則模型，建立兩方面內容展開探討，整理出算法應用所產生的數據信息，對大數據環境挖掘算法進行深入研究，為網絡環境性信息處理任務的高效開展，建立一個穩定基礎環境。

關鍵詞：弱關聯；冗余環境；挖掘算法

中圖分類號： TP3-0 文獻標識碼：A

Abstract：In the week correlation redundant environment，the correlation attributes need to be taken into consideration in the application of mining algorithm.On the basis of the fuzzy neural network learning algorithm and the weak correlation rule model，the paper discusses the two aspects，sorts out the data generated through the algorithm，further studies the mining algorithm of big data environmental information，and establishes a stable fundamental environment in order to efficient process the network environment information.

Keywords：weak correlation；redundant environment；mining algorithm

1 引言（Introduction）

本文主要從模糊神經元網絡學習算法與弱關聯規則模型建立兩方面內容展開探討，整理出算法應用所產生的數據信息，對大數據環境挖掘算法進行深入研究，為網絡環境性信息處理任務高效開展建立一個穩定基礎環境。本文提出了一種基于弱聚類算法的云計算環境下海量數據中弱關聯挖掘方法，針對弱關聯冗余環境進行，通過數據的描述特征對數據特征進行分解，依據數據特征，對全部數據進行融合。基于關聯決策概率將云計算環境下海量數據進行有效劃分，完成所有數據特征關聯概率的計算，通過弱聚類方法對屬性元素進行分類，將數量型元素轉換成類別型，通過弱化關聯規則方法，對經聚類處理后的數據進行挖掘。

2 弱關聯冗余環境下的挖掘算法綜述（Summarize

on mining algorithm in weak correlation

redundant environment）

2.1 模糊學習算法

模糊神經學習算法是當前數據挖掘的主流技術，采用弱關聯思想設計原則中，系統之間關聯會盡可能減少，模擬學習算法應用后系統運算速度提升有明顯幫助。弱關聯環境下對信息數據處理使用效率都有極高的要求，如果不能解決所遇到的問題，在建立系統管理控制環境期間，應用模糊數據運算分析學習方法，能夠幫助節省大量數據運算所用時間，并在最終的控制計劃山模糊學習算法中模擬神經元原理，能夠根據弱關聯環境下的系統聯系選擇運輸，基于云計算環境下不斷學習數據更新，達到記憶效果。模糊學習運算能夠實現同步數據挖掘，減少數據分析中不必要的時間。建立在弱關聯環境中的各項學習控制計劃中，通過分析運算控制方法，最終問題解決能力也不會因此受到影響。模糊學習算法是針對系統運行中控制能力提升進行的，弱關聯冗余系統部分在控制運算中通過學習算法可以將不必要的部分選擇刪除，節省挖掘算法運行所用時間。模糊學習算法中會涉及隱藏數據，模擬神經元來快速判斷這部分信息[1]。

2.2 挖掘算法中的決策樹算法

應用該種算法，需要選擇屬性用信息增益變化數據子集，建立符合運行模式的信息獲取環境，從而實現對信息傳輸數據決策范圍判斷，也就是熵的變化值，而C4.5用的是信息增益率，也就是多了個率嘛。一般來說，率就是用來取平衡用的，就像方差起的作用差不多，比如有兩個跑步的人，一個起點是100m/s的人、其1s后為110m/s；另一個人起速是1m/s、其1s后為11m/s。在這里，其克服了用信息增益選擇屬性時偏向選擇取值多的屬性的不足。在樹構造過程中進行剪枝，我在構造決策樹的時候好討厭那些掛著幾個元素的節點。對于這種節點，干脆不考慮最好，不然很容易導致overfitting。對非離散數據都能處理，這個其實就是一個個式，看對于連續型的值在哪里分裂好。也就是把連續性的數據轉化為離散的值進行處理。能夠對不完整數據進行處理，這個重要也重要，其實也沒那么重要，缺失數據采用一些方法補上去就是了。

2.3 基于模糊神經網絡的弱關聯挖掘方法

（1）數據選擇

基于云計算網絡環境下自主選擇數據，觀察數據信息是否與弱關聯挖掘算法保持一致。數據選擇不僅考慮所處環境，更要從多個角度展開研究，觀察是否存在可能影響信息結果使用效率的干擾因素。建立在安全環境下的數據選擇與數據控制之間存在聯系體系，明確這一聯系體系也是開展后續挖掘任務中所必須要達到的，只有達到這一效果在信息傳輸中才不會受到影響。數據運行環境中所存在的各項控制問題中，數據選擇也是一個良好篩選過程，通過建立相互聯系來促進最終的數據結果穩定性程度與實際使用需求保持一致。數據選擇是接下來運算任務開展的第一個基礎步驟，確保數據準確程度進入到下一階段的挖掘計算，數據挖掘需要結合計算機控制系統進行，選取不同風險環境下的典型參數作為接下來的運算依據，弱關聯挖掘得到的結果才能準確反映真實情況。

（2）數據預處理endprint

將所選擇的數據初步處理后建立起數據庫，將數據庫參與到挖掘算法中，幫助節省時間，同時促進管理效率不斷提升完善。數據處理與使用需求在功能方向上保持一致，功能確定后對信息的處理也能觀察到其中是否存在影響功能進行的因素，風險信息參數在預處理模式下便得到解決，接下來開展各項控制管理計劃也能得到充分幫助。數據挖掘處理要建立在多個控制模式下，發現影響功能正常進行的因素后，配合控制解決措施開展挖掘。預處理屬于模糊處理，數據庫系統中可能還會存在一些多余信息，在接下來的處理中會繼續篩選，直到信息全部為關聯部分。預處理中信息干擾要排除，并通過數據庫建立來提升系統的使用安全性，降噪、平滑處理后所得到的信息才能繼續存入到數據庫系統中，為信息使用打下安全基礎[2]。

（3）塑造訓練數據

訓練數據塑造需要結合信息集合進行，將原信息特征與預處理后的信息特征進行比較，具有相同點的部分劃分為特征集合中，用{A1，A2，…，Am}表示。集合塑造完成后對信息進行塑造訓練，用具體的數值表現出特征屬性值域范圍。對于可能會產生的值域使用安全問題，建立出長期運行控制模塊，用C表示集合，根據數據塑造挖掘算法來進行劃分，共分為C1，C2，…，Cn，將數據引入到塑造訓練模塊中，進行綜合性描述分析，從而實現對數據運行使用效果的觀察作用，根據假設的數據集合來建立一個m+1元組訓練集合目標，塑造描述為（a1，a2，…，am，Ci），根據挖掘算法描述公式可以知aj∈val（Aj）（1≤j≤n）； Ci∈C（1≤i≤n）。可以將不同需求環境下的數據進行劃分，得出檢測對照組與數據訓練組，兩組數據之間結合對比，所得到的結果能夠準確反映出數據庫運行環境，并為所開展的各項數據體系建立同等穩定運行環境。

3 弱關聯挖掘算法環境下冗余數據的產生（The

generation of redundant data in the environment

of weak correlation mining algorithm）

基于云計算模擬下，信息獲取渠道變得更加豐富，信息獲取數量增多后，同時也產生了大量冗余信息，對于這部分信息如果不能合理計算，接下來的控制計劃也會因此受到影響。由此可見，冗余數據產生與數據挖掘環境有直接關系，風險評估系統的篩選甄別能力也是造成這一隱患問題的具體原因，在當前模式下，如果不能合理控制隱患因素，云計算技術應用效率會因此受到影響，冗余數據還會造成系統錯誤識別，導致弱關聯挖掘不能正常進行。冗余數據產生會對常規狀態下的信息傳輸造成不良影響，導致最終的控制能力出現問題，建立一個解決控制方案，對冗余數據進行劃分隔離來保障有用信息的正常傳輸，也是解決當前問題有效措施。研究解決控制方案要從多個角度進行，觀察開展期間的影響因素，以及可能造成最終數據安全使用的因素，通過這種方法來建立起長期工作環境，從而達到最佳設計控制目標。目前解決方案研究中，已經有技術人員提出在弱關聯環境下建立一個弱小集合關聯系統，將數據挖掘定位在有效信息中，從而必滿冗余信息計算造成最終運算速度降低，在實現技術層面上仍然需要繼續深入研究。

4 建立弱聚類算法的弱關聯規則挖掘模型（A weak

correlation rule mining model for weak clustering

algorithm is established）

4.1 數據關系匹配實現原理

實現數據之間的匹配關系，可以從云計算環境中建立數據集合矩陣。數據匹配是自動進行的，捕捉表達信息，深入挖掘其中與其他數據具有關聯的部分。通過建立基層數據關系來探討最終的數據匹配關系，對提升數據結果運行穩定性也有很大幫助。數據關系匹配需要在云計算環境下找到相同的數據參與運算，實現數據之間相互聯系，并在聯系基礎上篩選出冗余部分參數，根據產生頻率來計算出具體矩陣，觀察矩陣判斷不同風險隱患發生概率，并在接下來的各項控制計劃中建立起具有實際意義的工作環境。本文所研究方法與傳統方法在數據挖掘數量上的比較圖，如圖1所示。

采用弱聚類算法是在信息挖掘數量上有明顯提升，各個節點處的信息采集數量均已經超過傳統算法，通過算法之間的相互比較可以發現，不同模式下開展信息分析，是幫助提升控制效果的有效方法，使用過程中所發現的各類信息比較問題，建立長期穩定運行環境對提升信息挖掘效率也有很大幫助。當前數據運算模式下所遇到的問題大部分是由于環境因素導致，如果不能協調好環境問題，數據運算模式下開展各類數據挖掘算法也會受到阻礙。

4.2 關聯數據弱聚類處理

匹配任務完成后進入到數據處理階段，通過建立基層工作聯系體系來實現系統之間配合運行，對關聯數據進行弱聚類處理同樣基于云計算環境下開展。根據匹配所得到的數據結果信息來進行，觀察到數據中存在問題時及時探討解決方案，對于使用過程中可能會產生的問題，充分探討解決規劃方案，對提升最終任務完成效率也有很大幫助，關聯模式下觀察數據運行所處環境，弱聚類方法處理信息對提升關聯數據也有很大的幫助，弱關聯是針對少量關聯模式來進行的，當前環境下所遇到的各類問題均由信息風險因素導致，采用弱聚類處理方法提升了最終結果準確程度，對于提升最終的計算效率也有很大幫助。不同類型弱聚類環境中，數據庫運行所面對的風險因素有很大差異性[3]。模擬信息處理模式需要對使用情況做出模擬，嘗試在不同運行環境中所遇到的風險隱患問題，確保所提取的信息結果與實際情況之間不存在出入，弱關聯環境中數據之間聯系本身較少，冗余信息環境帶來的阻礙影響更嚴重，只有解決這部分問題，接下來進行的信息對接檢測才更加高效。

4.3 小區域關聯劃分

劃分小區域關聯是實現接下來挖掘算法的基礎部分，劃分要從多個角度進行，首先建立一個整體性的挖掘體系，觀察是否具有可行性，掌握故障隱患因素后從數據關聯劃分角度建立一個矩陣研究體系，并觀察數據運行是否處于合理的狀態范圍內。小區域關聯信息劃分完成后進入到整合階段，按照這一劃分結果對比其他方向數據庫，建立起長期工作環境。大數據處理是由中多個小環境組成，因此數據劃分與挖掘任務也是從各個小范圍開展，冗余環境中信息有效篩選才能進入到更深層次的信息觀察處理中，實現弱關聯項目更深層次研究。云計算環境下信息處理速度雖然有明顯提升，但在處理能力上卻因此受到影響，建立這一聯系體系是解決現存問題的有效方法。各個控制計劃之間聯系體系也需要通過方案完善不斷提升運行使用效率。endprint

4.4 弱關聯環境下的挖掘過程

數據弱關聯環境下，信息獲取會建立獨立的信道，在信道控制作用下進行其他層面數據傳輸，實現云計算環境下信息最穩定的獲取形式。數據庫中全部信息數量統計需要浪費大量時間，可以對其進行假象擬定，例如將其假設為1000，這樣在運算分析中也能避免信息獲取數量與實際需求不符合。信息挖掘獲取需要在同步運算環境下開展，通過這種方法來幫助提升最終結果穩定程度。挖掘過程嚴重要首先從信息獲取層面開展，統計信息數量與傳輸方法，挖掘過程中觀察數據信息之間的關聯情況，建立起具有長期控制能力的風險評估體系。信息數據傳輸中彼此之間具有關聯性，關聯性情況了解后，進入到更深層次的數據保護階段，采用數據挖掘試探方法檢驗數據庫使用穩定性情況，能夠幫助建立起長期工作體系，并觀察在系統中是否存在需要更新完善的部分。弱關聯環境下數據信息之間的聯系線索非常少，要確保捕捉的精準程度，信息有效利用后進入到控制層面，協調好數據之間的交流模式并建立具有保護意義的數據檢索環境，結束數據挖掘檢索后可以進入到更深層次的控制內容中。

5 弱關聯冗余環境下的挖掘算法仿真實驗（Simulation

experiment of mining algorithm in weak

correlation redundant environment）

確定挖掘算法開展模式后進入到仿真實驗解讀，檢驗挖掘算法是否具有可行性，建立長期工作體系來促進最終工作穩定性提升，也是解決當前矛盾沖突問題的主要原因。實驗進行是對算法有效性的一次檢驗，觀察在系統結構中是否存在可能會造成風險隱患因素的問題，將風險隔離排除。仿真實驗檢測弱關聯冗余環境下的挖掘計算時，首先針對數據庫部分的控制能力進行檢驗，雖然弱關聯環境下數據之間聯系較小，但通過這種控制挖掘方法也能幫助捕捉數據信息傳輸動向，確定信息之間的聯系關系，從而實現對數據庫運行情況的模擬檢驗。該種方法在數據穩定性控制能力上較強，通過分析現場工作模式來建立一個長期工作環境，能夠達到最佳控制效果。弱關聯冗余環境是在云計算模式下展開數據挖掘的，需要在短時間內建立長期工作模式，云計算模式數據信息的數量龐大，文章方法能夠幫助快速明確工作開展方法，掌握數據信息彼此之間的聯系性，節省數據分類使用時間。仿真實驗開展在大數據云計算環境下，實驗結果顯示通過建立弱關聯環境中的弱聚類挖掘算法應用后效果明顯，弱關聯問題得到解決，并且在這一環境下所開展的各項數據運算計劃也逐漸開展完善，最終進入到理想的控制環境。仿真實驗分別模擬不同環境下系統運行所能遇到的問題。實驗所針對的數據內容具有代表性，但并不完全表示真實運行過程，對運行情況進行分析時還需要綜合考慮問題，應用該種挖掘算法開展控制效果明顯，能夠幫助有效提升大數據環境中的分析速度。

6 結論（Conclusion）

對于弱關聯冗余環境下的挖掘算法研究，當前技術方法已經十分先進，未來發展中還要達到綜合控制效果，云計算環境下提升數據處理運行效率，對最終數據處理效果提升也有很大幫助。本文提出了一種基于弱聚類算法的云計算環境下海量數據中弱關聯挖掘方法，針對弱關聯冗余環境進行，通過數據的描述特征對數據特征進行分解，依據數據特征，對全部數據進行融合。基于關聯決策概率將云計算環境下海量數據進行有效劃分，完成所有數據特征關聯概率的計算，通過弱聚類方法對屬性元素進行分類，將數量型元素轉換成類別型，通過弱化關聯規則方法，對經聚類處理后的數據進行挖掘。實驗結果表明，所提方法具有很高的高效性及有效性。

參考文獻（References）

[1] 黃潮.云計算環境下的海量光纖通信故障數據挖掘算法研究[J].激光雜志，2017（1）：96-100.

[2] 張忠林，田苗鳳，劉宗成.大數據環境下關聯規則并行分層挖掘算法研究[J].計算機科學，2016，43（1）：286-289.

[3] 童釗，等.分布式系統中多用戶網絡應用的概率型調度算法研究[J].電子學報，2016，44（7）：1679-1688.

作者簡介：

蔡柳萍（1981-），女，碩士，講師.研究領域：大數據，數據挖掘.endprint