[发明专利]一种基于超低功率电磁阀的大数据处理方法

摘要

本发明公开了一种基于超低功率电磁阀的大数据处理方法，本发明通过在Apache Spark框架实现了迭代优化模糊c均值算法以实现快速准确地处理电磁阀测得的数据的目的。模糊聚类算法作为无监督机器学习的主要技术之一，是用模糊理论对重要数据分析和建模的方法，建立了样本类属的不确定性描述，能比较客观地反映现实世界，它已经有效地应用在大规模数据分析、数据挖掘、矢量量化、图像分割、模式识别等领域，具有重要的理论与实际应用价值，随着应用的深入发展，模糊聚类算法的研究不断丰富。

主权项

1.一种基于超低功率电磁阀的大数据处理方法，其特征在于，该方法具体包括以下步骤：步骤1：通过电磁阀内部传感器采集信息步骤2：利用聚类分析将电磁阀采集的每个种类的数据划分为不同的子集，X＝{x1，x2，x3…xn}表示采集数据的集合；其中每个子集满足以下条件：在这n个数据子集中随机选取c个初始聚类中心，V＝{v1 v2…vc}表示初始聚类中心的集合；其中每个子集满足以下条件：其中，xi是数据点，vj是聚类中心，n是样本总数，c是聚类中心数目；步骤3：通过SLFCM算法来计算每个样本点对所有类中心的隶属度输入：X，V，c，m输出：V′SLFCM算法的具体步骤如下：Step1：使用公式(2)计算不同子集的数据点对聚类中心的隶属度；Step2：汇总隶属度，检查约束：Step3：利用公式(4)计算聚类集合的成员信息I′：Step4：：计算聚类中心V′；Step5：如果if||V′‑V||＜ε，则停止程序，否则回到Stepl；Step6：输出V′，I′；其中，uij表示xi相对于vj的隶属度；U＝[uii]n×c是由数据点xi对每个聚类中心vj的隶属度构成的分区矩阵；I′表示聚类的成员信息；m是对聚类结果有显着影响的模糊化参数；ε表示一个预定义的常数，被用作停止标准；步骤4：将熵权法和原有的SLFCM算法相结合形成EW‑SLFCM算法信息熵是用于度量信息量的一个概念；一个系统越是有序，信息熵就越低；反之，一个系统越是混乱，信息熵就越高；熵权法是基于样本数据来计算权重的一种算法；通过将熵权法和原有的SLFCM算法相结合；在用SLFCM算法进行聚类分析的过程中，在计算隶属度函数时，需要计算输入样本X和聚类中心V之间的欧氏距离；将熵权法和原有的SLFCM算法相结合的改进之处在于，用熵权法来计算得到各个属性的权重，建立权重矩阵，进而把权重矩阵引入欧氏距离之中，把欧氏距离换为加权欧氏距离，进而计算新的聚类中心，再根据新旧聚类中心的差值是否小于阈值，当小于阈值则停止迭代；步骤5：通过SRSIO‑FCM算法进行分类的目的；在SRSIO‑FCM算法中，先将数据集合X划分成相同大小的子集，其中每个子集中的数据点是从子集中随机选择的；第一个子集的初始聚类中心是随机选择的，对第一个子集聚类，计算聚类中心V1和成员信息I′1；将V1作为第二个子集的聚类输入，然后找到第二个子集的聚类中心V2和成员信息I′2；但是不会将V2作为第三个子集的输入，而是将I′1和I′2组合起来，使用公式(4)来计算出新的聚类中心，然后将新聚类中心作为输入传送到第三个子集；所有后续子集都遵循此过程，将第i‑1个子集的输出I′i‑1和第i个子集的输出I′i结合起来，作为第i+1个子集的输入；其中，I′1表示第一个子集的成员信息，I′2表示第二个子集的成员信息，I′i表示第i个子集的成员信息；其中，SRSIO‑FCM算法的具体步骤如下Step1：将X加载为随机选择的子集X＝{x1 x2…xc}；Step2：从X更换为x1；Step3：V′，I′＝EW‑SLFCM(x1，V，c，m)；V′，I′＝SLFCM(x1，V，c，m)Step4：对于从p＝2到p＝n，(4.1)：V′，I′＝EW‑SLFCM(xp，V，c，m)；V′，I′＝SLFCM(xp，V，c，m)；(4.2)：合并所有处理子集的分区，I′＝I′UI  (6)(4.4)：使用I′计算V′；结束；Step5：使用公式(1)计算目标函数，其中公式(1)如下：Step6：输出：V′，I′；步骤6：在Apache spark框架上对优化好的X数据集合进行处理。