Binary-Positive下的并行化CURE算法

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (11): 58-61.

Binary-Positive下的并行化CURE算法

王民，尹超，王稚慧，要趁红，高婧

西安建筑科技大学信息与控制工程学院，西安 710055

出版日期:2014-06-01 发布日期:2015-04-08

Parallel CURE algorithm with Binary-Positive

WANG Min, YIN Chao, WANG Zhihui, YAO Chenhong, GAO Jing

School of Information and Control Engineering, Xi’an University of Architecture and Technology, Xi’an 710055, China

Online:2014-06-01 Published:2015-04-08

摘要/Abstract

摘要： 当CURE算法在处理不均匀的海量数据时，针对随机抽样不具有代表性的问题，提出了一种健壮的并行化改进算法。该算法使用Binary-Positive算法得到原始数据的有效属性，并利用MapReduce并行框架对有效数据进行层次聚类，从而实现了正确率与效率的一种权衡。实验分析表明，改进后的CURE算法具有更高的执行效率，且聚类效果良好。

关键词: 聚类, 利用代表点聚类（CURE）, Binary-Positive, MapReduce, 并行

Abstract: For random sampling is not representative, it proposes a robust parallel improvement of algorithms when using CURE algorithm to handle non-uniform mass data. It uses the Binary-Positive algorithm to get the effective properties of the data, uses valid data for hierarchical clustering with MapReduce, which is a distributed parallel framework. It achieves the correct rate and efficiency of a trade-off. The tests show that the improved CURE algorithm has a higher efficiency in the implementation and has a good clustering result.

Key words: clustering, Clustering Using Representative（CURE）, Binary-Positive, MapReduce, parallel

王民，尹超，王稚慧，要趁红，高婧. Binary-Positive下的并行化CURE算法[J]. 计算机工程与应用, 2014, 50(11): 58-61.

WANG Min, YIN Chao, WANG Zhihui, YAO Chenhong, GAO Jing. Parallel CURE algorithm with Binary-Positive[J]. Computer Engineering and Applications, 2014, 50(11): 58-61.

[1]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[2]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[3]	李俊丽. Spark平台下类别数据互信息计算的并行化[J]. 计算机工程与应用, 2021, 57(7): 95-100.
[4]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[5]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[6]	杨芳，尹曦，司建辉，刘宏媛，汪雪. 基于侧重点聚类的数学表达式相似度计算方法[J]. 计算机工程与应用, 2021, 57(6): 88-93.
[7]	赵凡，张琳，闻治泉，杨林林，蔺广逢. 一种直接高效的自然场景汉字逼近定位方法[J]. 计算机工程与应用, 2021, 57(6): 159-167.
[8]	彭启慧，宣士斌，高卿. 分布的自动阈值密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(5): 71-78.
[9]	李勇振，廖湖声. 基于图卷积神经网络的多视角聚类[J]. 计算机工程与应用, 2021, 57(5): 115-122.
[10]	王昌龙，张远东，缪宏，杨煜恒. 双通道卷积神经网络在南瓜病害识别上的应用[J]. 计算机工程与应用, 2021, 57(5): 183-189.
[11]	石杰元，袁志勇，廖祥云，赵俭辉. 面向磁悬浮视触觉交互的多速率系统框架[J]. 计算机工程与应用, 2021, 57(5): 197-203.
[12]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[13]	王俊玲，卢新明. 基于语义相关的视频关键帧提取算法[J]. 计算机工程与应用, 2021, 57(4): 192-198.
[14]	唐蕊，焦继业，徐华昊. 面向嵌入式的卷积神经网络硬件加速器设计[J]. 计算机工程与应用, 2021, 57(4): 252-257.
[15]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.