Hadoop框架下高维海量数据GMM聚类方法技术

本发明专利技术公开了一种Hadoop框架下高维海量数据GMM聚类方法，主要针对已有聚类算法的不足，将海量数据的聚类问题架构在分布式平台上，用于高维、海量数据的聚类。其实现步骤是：1、组建局域网；2、建立Hadoop平台；3、上传数据到集群；4、初始聚类；5、计算各聚类的参数和判别函数；6、判断聚类是否完成；7、重新聚类；8、计算新聚类中每一个类的均值、权重；9、计算新聚类中每一个类的方差；10、输出聚类结果。本发明专利技术利用Hadoop框架中MapReduce运算模型的特点，对聚类中的可并行部分用Map并行方法处理，计算均值和方差时采用两个Map/Reduce分别计算，可以高效、精确的聚类，有较强的可扩展性和容错性。

【技术实现步骤摘要】

本专利技术属于计算机
，更进一步涉及数据挖掘领域中Hadoop框架下高维、海量数据的高斯混合模型(Gaussian Mixtures Model7GMM)聚类方法。本专利技术可以方便、高效的完成高维、海量数据地的聚类，克服单机模式下海量数据处理的低效，维数灾难问题。
技术介绍
海量数据处理的过程中广泛采用的一种计算框架MR “Dean J, GhemawatS.MapReduce :simplified data processing on large clusters[J]. Communications ofthe ACM, 2005, 51 (I) :107_113”该计算框架是由Google公司专利技术，近些年新兴的并行编程模式，它将并行化、容错、数据分布、负载均衡等放在一个库里，将系统对数据的所有操作都归结为两个步骤=Map (映射)阶段和Reduce (化简)阶段，使那些没有多少并行计算经验的开发人员也可以开发并行应用，对海量数据进行处理。Clustering with Gaussian Mixtures “Andrew ff. Moore Professor, School ofComputer Science Carnegie Mellon University”所提出的 GMM(高斯混合聚类模型)是单一高斯概率密度函数的延伸。通过多个单高斯模型的线性组合来组成一个混合高斯模型。通过EM算法对模型的参数不断进行调整从而得到能够描述数据的聚类模型。该方法存在的不足是在聚类过程中不能有效应对海量数据，算法效率受到时间，空间复杂度的限制。上海海事大学申请的专利技术专利“一种基于在线分裂合并EM算法的高斯混合模型聚类方法”(专利申请号:201010172604. 6，公开号CN102081753A)。该专利申请公开了一种基于在线分裂合并EM算法的高斯混合模型聚类方法，该方法基于在线分裂合并的EM算法对Ueda等人和Demsper等人的算法进行改进，因此，该聚类方法继承了 EM算法的完备性和收敛性特征，也继承了分裂合并算法对局部收敛性的改进，通过引入时间序列参数，提出了增量在线分裂EM训练方法，由此实现了增量式的期望最大化训练。该聚类方法能够逐样本在线更新GMM模型参数，克服了批处理数据要求的离线训练的局限性。但是，该聚类方法仍然存在不足之处是，该聚类方法并没有解决大规模数据处理中的维数灾难问题，可扩展性及伸缩性不强。
技术实现思路
本专利技术的目的在于克服上述现有技术的不足，将海量数据的聚类问题架构在分布式平台上，提出一种基于Hadoop框架的高维、海量数据聚类方法。在聚类的过程中，利用Hadoop框架中MapReduce运算模型的特点,对聚类中的可并行部分用Map并行方法处理,计算均值和方差时采用两个Map/Reduce分别计算。为实现上述目的，本专利技术包括如下步骤(I)组建局域网将多台计算机连接到同一局域网中，每台计算机作为一个节点，建立能够相互通信的集群；(2)建立 Hadoop 平台对集群中的每个节点配置Hadoop0.20.2文件，通过文件中属性参数dfs.namenode和dfs.datanode的设置,使集群中包含一个名字节点和多个数据节点；通过文件中属性参数mapred.jobtracker和mapred.tasktracker的设置，使集群中包含一个调度节点和多个任务节点，建立开源的Hadoop平台；(3)上传数据到集群使用Hadoop分布式文件命令dfs-put将待聚类数据集上传至Hadoop平台的各个节点上；(4)初始聚类采用KMeans聚类方法，对集群中节点上的数据进行初始粗略聚类，得到初始的聚类；(5)计算各聚类的参数和判别函数5a)计算初始的聚类每一个类的均值；5b)统计初始聚类每一个类中数据的个数，用统计的数据个数除以待聚类数据集中数据的总数，得到初始聚类每一个类的权重；5c)计算初始的聚类每一个类的方差；5d)计算判别函数按照下式计算高斯概率密度值:本文档来自技高网...

【技术保护点】
Hadoop框架下高维海量数据GMM聚类方法，包括如下步骤：(1)组建局域网将多台计算机连接到同一局域网中，每台计算机作为一个节点，建立能够相互通信的集群；(2)建立Hadoop平台对集群中的每个节点配置Hadoop0.20.2文件，通过文件中属性参数dfs.namenode和dfs.datanode的设置，使集群中包含一个名字节点和多个数据节点；通过文件中属性参数mapred.jobtracker和mapred.tasktracker的设置，使集群中包含一个调度节点和多个任务节点，建立开源的Hadoop平台；(3)上传数据到集群使用Hadoop分布式文件命令dfs?put将待聚类数据集上传至Hadoop平台的各个节点上；(4)初始聚类采用KMeans聚类方法，对集群中节点上的数据进行初始粗略聚类，得到初始的聚类；(5)计算各聚类的参数和判别函数5a)计算初始的聚类每一个类的均值；5b)统计初始聚类每一个类中数据的个数，用统计的数据个数除以待聚类数据集中数据的总数，得到初始聚类每一个类的权重；5c)计算初始的聚类每一个类的方差；5d)计算判别函数按照下式计算高斯概率密度值：G=exp(-(x-ui)Σi-1(x-ui)/2)(2π)d|Σi|其中，G表示高斯概率密度的值，x表示待聚类数据集中的任意一个向量数据， ui表示第i个类的均值，i表示聚类中的第i个类，∑i表示第i个类的方差，exp表示以e为底的指数运算；按照下式计算判别函数的值：L=Σx∈Dlog(Σi=1KpiG(x|ui,Σi))其中，L表示判别函数值，x表示待聚类数据集中的任意一个向量数据，D表示待聚类数据集，K表示聚类中类的个数，i表示聚类中的第i个类，pi表示第i个类在聚类中的权重，G表示第i个类的高斯概率密度值，ui表示第i个类的均值，Σi表示第i个类的方差；(6)判断聚类是否完成判断判别函数的值是否在设定域值之内，若在阈值内，则聚类结束，执行步骤(10)，若不在阈值内，表示聚类尚未结束，执行步骤(7)；(7)重新聚类7a)启动第一个Map任务，扫描待聚类数据集，每次读入一条数据；7b)对每次读入的数据，采用以下公式计算读入的数据到聚类中每个类的概率值：γ(x,i)=piG(x|ui,Σi)Σh=1KPhG(x|uh,Σh)其中，γ(x，i)表示待聚类数据集中数据x到聚类中第i个类的概率值，pi表示第i个聚类在待聚类数据集中的权重，G为第i个聚类的概率密度函数值，x表示待聚类数据集中的数据，ui表示第i个聚类的均值，Σi表示第i个聚类的方差，K表示聚类的个数，h表示聚类中的第h个类，Ph表示第h个聚类在待聚类数据集中的权重，uh表示第h个类的均值，∑h表示第h个聚类的方差；7c)选取概率值中的最大值，将步骤7a)读入数据分配到最大值对应的类；7d)判断是否读取完待聚类数据集，若未读取完，则执行步骤7a)，若读取完，则表示得到了新聚类，执行步骤(8)；(8)计算新聚类中每一个类的均值、权重启动第一个Reduce任务，计算第一个Map任务传入的聚类数据，按照步骤5a)的计算方法获得新聚类中每一个类的均值，按照步骤5b)的计算方法获得新聚类中每一个类的权重；(9)计算新聚类中每一个类的方差9a)启动第二个Map任务，第二次扫描待聚类数据集，每次读入一条数据；9b)对每次读入的数据，采用以下公式计算Map/Reduce中间值：Dmid＝(x?u)2其中，Dmid表示Map/Reduce中间值，x表示步骤9a)读入的一条数据，u表示x所属类的均值；9c)启动第二个Reduce任务，对9b)的中间值先求和，再求和的根，获得新聚类的方差；9d)判断是否读取完待聚类数据集，若未读取完，则执行步骤9a)，若读取完，执行步骤(5)；(10)输出聚类结果聚类结束后，聚类中每一个类的均值、权重、方差作为聚类结果输出。...

【技术特征摘要】
1.Hadoop框架下高维海量数据GMM聚类方法，包括如下步骤: (1)组建局域网 将多台计算机连接到同一局域网中，每台计算机作为一个节点，建立能够相互通信的集群； (2)建立Hadoop平台 对集群中的每个节点配置Hadoop0.20.2文件,通过文件中属性参数dfs.namenode和dfs.datanode的设置，使集群中包含一个名字节点和多个数据节点；通过文件中属性参数mapred.jobtracker和mapred.tasktracker的设置，使集群中包含一个调度节点和多个任务节点，建立开源的Hadoop平台； (3)上传数据到集群 使用Hadoop分布式文件命令dfs-put将待聚类数据集上传至Hadoop平台的各个节点上; (4)初始聚类 采用KMeans聚类方法，对集群中节点上的数据进行初始粗略聚类，得到初始的聚类； (5)计算各聚类的参数和判别函数 5a)计算初始的聚类每一个类的均值； 5b)统计初始聚类每一 个类中数据的个数，用统计的数据个数除以待聚类数据集中数据的总数，得到初始聚类每一个类的权重； 5c)计算初始的聚类每一个类的方差； 5d)计算判别函数 按照下式计算高斯概率密度值: n _ exp(-(x - U1-1 (χ - %) / 2) [χ, I 其中，G表示高斯概率密度的值，χ表示待聚类数据集中的任意一个向量数据，Ui表示第i个类的均值，i表示聚类中的第i个类，Σ ,表示第i个类的方差，exp表示以e为底的指数运算； 按照下式计算判别函数的值: 其中，L表示判别函数值,χ表示待聚类数据集中的任意一个向量数据,D表示待聚类数据集，K表示聚类中类的个数，i表示聚类中的第i个类，Pi表示第i个类在聚类中的权重，G表示第i个类的高斯概率密度值，Ui表示第i个类的均值，Σ i表示第i个类的方差； (6)判断聚类是否完成 判断判别函数的值是否在设定域值之内，若在阈值内，则聚类结束，执行步骤(10)，若不在阈值内，表示聚类尚未结束，执行步骤(7)； (7)重新聚类 7a)启动第一个Map任务，扫描待聚类数据集，每次读入一条数据； 7b...

【专利技术属性】
技术研发人员：崔江涛，李林，司蓁，彭延国，史玮，陈煜，崔小利，王博，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：