大數(shù)據(jù)算法的設計與實現(xiàn)

隨著科學技術(shù)的發(fā)展，大數(shù)據(jù)在人工智能領域起著越來越重要的作用，基于大數(shù)據(jù)平臺的數(shù)據(jù)分析與挖掘已經(jīng)成為各科研單位的研究熱點。本文通過對大數(shù)據(jù)的發(fā)展、算法分析以及平臺設計進行探究，對大數(shù)據(jù)平臺的應用進行了展望，力求為智能化技術(shù)的發(fā)展提供創(chuàng)新的思路。

【關鍵詞】大數(shù)據(jù) 人工智能 算法設計

1 大數(shù)據(jù)的發(fā)展概述

大數(shù)據(jù)指無法在一定時間范圍內(nèi)用常規(guī)軟件工具進行捕捉、管理和處理的數(shù)據(jù)集合。大數(shù)據(jù)包括海量的數(shù)據(jù)信息與高強度的數(shù)據(jù)處理能力，大數(shù)據(jù)是相對于傳統(tǒng)數(shù)據(jù)處理應用程序來說，不足以處理大型、復雜的數(shù)據(jù)集的新型處理模式，包括分析、捕獲、數(shù)據(jù)整理、搜索、共享、存儲、傳輸、可視化查詢、更新和信息管理。大數(shù)據(jù)通常僅指使用預測分析、用戶行為分析或某些其他高級數(shù)據(jù)的分析方法，這些方法從數(shù)據(jù)中提取價值，很少涉及特定大小的數(shù)據(jù)集。數(shù)據(jù)集分析可以發(fā)現(xiàn)新的聯(lián)系與信息。科學家、企業(yè)高管、醫(yī)學從業(yè)者、廣告和政府都定期在互聯(lián)網(wǎng)搜集大數(shù)據(jù)，這些數(shù)據(jù)在金融、城市信息學和商業(yè)信息學等領域更為重要?？茖W家在電子科學工作中遇到了很多需要處理海量數(shù)據(jù)的問題，涉及氣象學、基因組學、復雜物理模擬、生物學和環(huán)境研究等。大數(shù)據(jù)包括文本、圖像、音頻、視頻，它通過數(shù)據(jù)融合可以完成未來數(shù)據(jù)的機器學習，大數(shù)據(jù)通常是數(shù)字交互的無成本的產(chǎn)品。越來越成熟的概念更清楚地描述了大數(shù)據(jù)和人工智能之間的區(qū)別，人工智能使用具有高信息密度的數(shù)據(jù)的描述性統(tǒng)計來測量事物、檢測趨勢等。大數(shù)據(jù)使用歸納統(tǒng)計和來自非線性系統(tǒng)識別的概念，從具有低信息密度的大量數(shù)據(jù)集中推斷出法則，例如回歸、非線性關系和因果效應，以揭示關系和依賴性或者進行結(jié)果和行為的預測。

2 大數(shù)據(jù)技術(shù)中的算法分析

2.1 神經(jīng)網(wǎng)絡算法

神經(jīng)網(wǎng)絡系統(tǒng)是由眾多的神經(jīng)元可調(diào)的連接權(quán)值連接而成，具有大規(guī)模并行處理、分布式信息存儲、良好的自組織自學習能力等特點。神經(jīng)網(wǎng)絡是一種計算方法，基于神經(jīng)單元的大集合，解決由軸突連接的生物神經(jīng)元的大群集的問題。 每個神經(jīng)單元與許多其他神經(jīng)單元連接，并且可以對所連接的神經(jīng)單元的激活狀態(tài)影響中實施抑制。每個單獨的神經(jīng)單元可以具有將所有其輸入的值組合在一起的求和功能。在每個連接和單元本身上可以存在閾值函數(shù)或限制函數(shù)，使得信號在傳播到其他神經(jīng)元之前必須超過極限。這些系統(tǒng)是自學習和訓練的，而不是明確編程的，并且在傳統(tǒng)計算機程序中難以表達的，這種方案在特征檢測領域中效果很好。神經(jīng)網(wǎng)絡的目標是以與人類大腦相同的方式解決問題，現(xiàn)代神經(jīng)網(wǎng)絡項目通常使用幾千到幾百萬個神經(jīng)單元和數(shù)百萬的連接， 這比人類大腦的復雜性還要少幾個數(shù)量級，更接近于蠕蟲的計算能力。 為了訓練它們，通常發(fā)生幾千次交互循環(huán)。 神經(jīng)網(wǎng)絡已被用于解決使用普通的基于規(guī)則的編程難以解決的各種各樣的任務，如智能化學習。歷史上，神經(jīng)網(wǎng)絡模型的使用向高級人工智能的方向移動，其特征在于包含在具有一些動力系統(tǒng)的認知模型的參數(shù)中的知識。

2.2 灰色關聯(lián)度分析

灰色關聯(lián)分析方法，是根據(jù)因素之間發(fā)展趨勢的相似或相異程度，來進行歸納和評價，作為衡量因素間關聯(lián)程度的一種方法?；疑P聯(lián)度分析使用特定的信息概念。它定義沒有信息為黑色的情況以及具有完美信息為白色的情況，這些理想化的情況都不會出現(xiàn)在現(xiàn)實世界的問題中。事實上，這些過渡階段的情況被描述為灰色。因此，灰色系統(tǒng)意味著其中部分信息是已知的并且部分信息是未知的系統(tǒng)。根據(jù)這個定義，信息質(zhì)量形成從信息的缺乏到完整信息的存在過渡過程。由于不確定性總是存在，灰色分析可以得出一系列關于解決方案的清晰陳述。在一個極端情況下，這種方案無解，在另一個極端情況下，具有完美信息的系統(tǒng)具有獨特的解決方案。在中間情況中，灰色系統(tǒng)將給出各種優(yōu)化的解決方案。灰色分析試圖找到最好的解決方案，提供了確定一個好的解決方案的技術(shù)來解決現(xiàn)實世界的問題。

3 大數(shù)據(jù)平臺的設計

3.1 平臺層

大數(shù)據(jù)分布式存儲系統(tǒng)：研究大規(guī)模、非結(jié)構(gòu)化數(shù)據(jù)的存儲問題，突破大數(shù)據(jù)的存儲、管理和高效訪問關鍵技術(shù)，當前需要構(gòu)建至少 PB 級存儲能力的大數(shù)據(jù)平臺才能滿足一般的科研和應用需求。

分布式數(shù)據(jù)挖掘運行時系統(tǒng)：突破 MapReduce 技術(shù)的局限，研究有效支持迭代、遞歸、層次及集成機制的海量數(shù)據(jù)挖掘編程模型和運行時系統(tǒng)，構(gòu)建大數(shù)據(jù)運行時系統(tǒng)。

3.2 功能層

高可擴展性大數(shù)據(jù)挖掘算法：基于云計算的分布式大數(shù)據(jù)處理與挖掘算法，構(gòu)建高可擴展的大數(shù)據(jù)處理與挖掘算法庫，實現(xiàn) TB 級數(shù)據(jù)的建模能力。

分布式工作流引擎：基于云計算的分布式工作流調(diào)度、負載均衡技術(shù)，構(gòu)建高效分布式工作流執(zhí)行引擎。

交互式可視化分析技術(shù)：啟發(fā)式、人機交互、可視化數(shù)據(jù)挖掘新技術(shù)，實現(xiàn)大數(shù)據(jù)挖掘的高度人機交互功能。

3.3 服務層

基于 Web 的大數(shù)據(jù)挖掘技術(shù)：Web 的大數(shù)據(jù)挖掘方法和流程，實現(xiàn)易于使用的基于 Web 的大數(shù)據(jù)挖掘技術(shù)，構(gòu)建基于 Web 的大數(shù)據(jù)分析環(huán)境。

基于Open API 的大數(shù)據(jù)挖掘技術(shù)：Open API 的大數(shù)據(jù)挖掘方法，研究大數(shù)據(jù)挖掘開放接口、開放流程，構(gòu)建基于 Open API 的大數(shù)據(jù)分析模式。

4 大數(shù)據(jù)算法的應用分析

4.1 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是發(fā)現(xiàn)大數(shù)據(jù)數(shù)據(jù)規(guī)律的計算過程，涉及人工智能、機器學習、統(tǒng)計和數(shù)據(jù)庫系統(tǒng)結(jié)合的方法，它是一個跨學科的計算機科學子領域。數(shù)據(jù)挖掘過程的總體目標是從數(shù)據(jù)集中提取信息并將其轉(zhuǎn)換為可以理解的結(jié)構(gòu)以供進一步使用。除了原始數(shù)據(jù)分析外，它涉及數(shù)據(jù)庫和數(shù)據(jù)管理方面、數(shù)據(jù)預處理、模型和推理、復雜性考慮、結(jié)構(gòu)整合處理、可視化和在線更新。數(shù)據(jù)挖掘是一個熱門的領域，并且經(jīng)常應用于各種形式的大規(guī)模數(shù)據(jù)或信息處理，主要包括收集、提取、存儲、分析和統(tǒng)計以及計算機決策支持系統(tǒng)的應用，包括人工智能、機器學習和商業(yè)智能。實際的數(shù)據(jù)挖掘任務是大量數(shù)據(jù)的自動或半自動分析，從而提取先前未知的數(shù)據(jù)存在模式，例如聚類分析、異常數(shù)據(jù)檢測和關聯(lián)規(guī)則挖掘、順序模式分析等，這通常涉及使用諸如數(shù)據(jù)索引的數(shù)據(jù)庫技術(shù)。數(shù)據(jù)收集、數(shù)據(jù)準備或結(jié)果解釋和報告都不是數(shù)據(jù)挖掘步驟的一部分，但是作為附加步驟屬于整個數(shù)據(jù)挖掘過程。數(shù)據(jù)挖掘、數(shù)據(jù)捕獲和數(shù)據(jù)窺探是指使用數(shù)據(jù)挖掘方法對較大數(shù)據(jù)集的部分進行抽樣分析。雖然這些數(shù)據(jù)集太小，不足以進行可靠的統(tǒng)計推斷以得出更多有價值的信息。然而，這些方法可以用于創(chuàng)建新的假設，以測試更大的數(shù)據(jù)群體。

4.2 機器學習

機器學習是計算機科學的子領域，它使計算機能夠?qū)W習而不用明確編程。從模式識別和計算學習理論在人工智能的研究演變而來，機器學習探索學習對數(shù)據(jù)進行預測算法的研究和構(gòu)建，這樣的算法克服了嚴格的靜態(tài)程序指令數(shù)據(jù)驅(qū)動的預測或決策，通過從樣本輸入來建立一個模型。機器學習在一系列計算任務中使用，其中有著明確算法的設計和編程是不可行的，比如垃圾郵件過濾、檢測網(wǎng)絡入侵者或惡意內(nèi)部人員、光學字符識別、搜索引擎和計算機視覺，這些方面都沒有明確的算法表示。機器學習與計算統(tǒng)計密切相關，并且經(jīng)常與計算統(tǒng)計重疊，計算統(tǒng)計也集中在通過使用計算機的預測中。它與數(shù)學優(yōu)化有著緊密的聯(lián)系，它將方法、理論和應用領域傳遞到現(xiàn)場。機器學習有時與數(shù)據(jù)挖掘相結(jié)合，后者的子領域更側(cè)重于探索性數(shù)據(jù)分析。機器學習也可以是全自動化的，用來學習和建立各種實體的行為預測，然后用于發(fā)現(xiàn)有價值的異常情況。在數(shù)據(jù)分析領域，機器學習是一種用于設計適合預測的復雜模型和算法的方法，在商業(yè)應用中，這被稱為預測分析。這些分析模型允許研究人員、數(shù)據(jù)科學家、工程師和分析師通過學習數(shù)據(jù)中的歷史關系和趨勢來產(chǎn)生可靠的、可重復的決策和結(jié)果并揭示隱藏的規(guī)律。

5 總結(jié)與展望

大數(shù)據(jù)技術(shù)算法的創(chuàng)新是一條光明而曲折的路，在這條路上會出現(xiàn)很多難題與挑戰(zhàn)，這個任務長期而又艱巨，需要結(jié)合實際經(jīng)驗，不斷地進行總結(jié)歸納。為實現(xiàn)自身的長遠發(fā)展而進行大膽革新，利用創(chuàng)新思維進行現(xiàn)代化建設，從而大踏步地走向智能化的大數(shù)據(jù)發(fā)展目標。

參考文獻

[1]陳曉，趙晶玲.大數(shù)據(jù)處理中混合型聚類算法的研究與實現(xiàn)[J].信息網(wǎng)絡安全，2015（04）.

[2]楊婷婷，林昌露，劉憶寧，張勝元.基于多方排序協(xié)議的安全電子投票方案[J].計算機系統(tǒng)應用，2015（08）.

[3]文坤，廖瑛，楊雅君.帶有空間機械臂的航天器系統(tǒng)慣性參數(shù)辨識[J].飛行器測控學報，2015（04）.

[4]何鋒，谷鎖林，陳彥輝.基于編輯距離相似度的文本校驗技術(shù)研究與應用[J].飛行器測控學報，2015（04）.

[5]黃冬梅，杜艷玲，賀琪.混合云存儲中海洋大數(shù)據(jù)遷移算法的研究[J].計算機研究與發(fā)展，2014（01）.

[6]孔凡新，劉麗.云環(huán)境下的隱私保護密文排序查詢[J].計算機工程與設計，2014（01）.

[7]何清，李寧，羅文娟，史忠植.大數(shù)據(jù)下的機器學習算法綜述[J].模式識別與人工智能，2014（04）.

[8]程芳權(quán)，彭智勇，宋偉，王書林，崔一輝.云環(huán)境下一種隱私保護的高效密文排序查詢方法[J].計算機學報，2012（11）.

[9]王茜，楊正寬.一種基于加權(quán)KNN的大數(shù)據(jù)集下離群檢測算法[J].計算機科學，2011（10）.

[10]陳書讓.超大數(shù)據(jù)量的快速排序法[J]. 物探化探計算技術(shù)，2000（04）.

作者簡介

李躍（1979-），男，黑龍江省大慶市人。研究生學歷?，F(xiàn)為大慶師范學院講師。

作者單位

大慶師范學院 黑龍江省大慶市 163712