摘 要： 为了提高海量天文信息智能挖掘方法的挖掘准确率,本文基于大数据提出一种新的海量天文信息智能挖掘方法。一方面,利用不同特征提取特征数据,以完全再现已有的干扰数据位置并匹配位置信息;另一方面,在挖掘过程中调整挖掘方向,检查挖掘算法是否合理,以此完成基于大数据的海量天文信息智能挖掘。结果表明,该方法的挖掘精度较高,具有一定的应用前景。
关键词： 大数据; 海量天文; 天文信息; 智能挖掘;
Abstract： In order to improve the accuracy of intelligent mining methods for massive astronomical information,this paper proposes a new intelligent mining method for massive astronomical information based on big data.On the one hand,it uses different features to extract feature data to completely reproduce the location of the existing interference data and match location information;on the other hand,it adjusts the direction of mining in mining process and checks whether the mining algorithm is reasonable,so as to complete the massive data mining based on big data intelligence.The results show that the mining accuracy of this method is high,and it has a certain application prospect.
Keyword： big data; massive astronomy; astronomical information; intelligent mining;
0 、引言
随着信息技术的不断发展,社会对大数据信息的需求日益增长,同时对天文信息的需求也朝着数字化转变,天文信息的挖掘方法也随之出现,天文研究院的数据信息也不断积累,分别通过文字、图像、语音、视频等文档数据进行存储,以满足人们学习的需要,但是也带来了一系列问题[1]。数据挖掘是利用智能算法提取数据模式和潜在知识,并根据兴趣模式识别直观显示出有用的知识。将数据挖掘技术应用于智能天文信息的挖掘分析,能有效提高数据分析的速度,对促进天文学研究的正常进行具有重要的意义[2]。为此本文基于大数据理念设计了一种基于大数据的海量天文信息智能挖掘方法。
1、 基于大数据的海量天文干扰信息特征提取
由于天文学信息中存在干扰信息且具有时变波动特征,会对挖掘结果产生一定的影响。为此本文首先研究主机网络通信网络中大数据干扰信息的特征提取操作,按照干扰信息的不同形式,将其划分为时域、频域分析与频域分析;以反差几何结构的空间距离控制干涉信息在空间的位置,经处理提取模型特征,对采集到的干扰信息进行离散化处理,根据处理过的信号波形判断干扰信号的频谱[3];归一化脉冲信号后,信号进入稳定状态,将其输入到干扰信息操作空间中。通过对干扰信息空间的信号峰值进行比较,采用平均周期算法计算干扰信息的特征值,得到干扰信息的特征参数;通过备份处理来校正信息,抑制噪声,保证提取的干扰信息具有较高的准确性。
利用传统的聚类算法对天文信息的原始数据类型进行聚类,采集视频、文本、视频等数据类型,构建每个数据样本的多元函数集,并在目标函数中定义采样函数,对不同类型的数据源进行控制。在定义目标函数后,通过子空间对数据进行分类,利用目标函数对分段数据进行深度挖掘,为被挖掘数据对象创建一组索引和参数使其随参数和指示符进行变化。
此外,本文利用频繁项集实现天文信息数据的连续挖掘,在最受支持的数据链路连接到节点时,与天文信息相关的其他数据可连接到地面,使数据链路和节点之间的映射更紧密[4]。同时,在数据操作系统中提高数据预处理、数据清理、数据收集、规则转换和数据标准化的比例。为有效地管理数据设定一定的假设和转换要求,根据不同数据类型选择算法,并在数据可信度和可靠性范围内使用不同的模型。最后,选取适当的预处理算法,设置相应的数据算法集,建立不同的知识模型,对整个数据进行预处理,以此完成干扰信息特征提取。
2 、基于大数据的海量天文信息智能挖掘方法
对大量天文资料的干扰信息进行特征提取,并根据所提取的干扰信息进行算法分析。在早期阶段,支持向量计算方法被用于消除噪音信息和与采矿无关的影响因素,并初步处理挖掘操作系统,整合处理过的数据,按照物理和逻辑对数据源和数据特征进行分类和集成。该方法通过执行数据转换指令,对转换后的干扰信息参数进行标准化处理,并对集成数据信息进行结构化处理,使所有数据信息都能在同一时间间隔内进行挖掘操作。数据集的规则数据操作空间,使数据采集原则与数据过滤操作规则相匹配,在数据采集过程中,利用不同干扰信息过滤系统检测到的情绪变化,通过比较不同响应信号的检测结果及时处理异常数据,避免因数据采集中的异常波动而导致的错误挖掘。通过传感器将采掘信息中心拓扑结构传递到空间过滤,可有效缩短获取信息的时间。为挖掘信息,本文首先提取与数据库数据相关的天文信息,提取扫描数据的数据类型,如果有数据项需要时通过数据关联支持进行嫁接操作,嫁接后从数据库中提取数据进行扫描。两种数据通过空间数据融合后嫁接,通过关联数据集成空间中天文信息用户的个人数据链的变化,实现对用户个人数据的集成。
为寻找最佳的数据挖掘参数,经过预处理后对数据进行集成学习,利用知识技术手段对预处理过的资料进行处理与整合,确定、控制和创造显性或隐性的资料。同时,针对不同的天文信息子集建立了相应的基础学习者,所获得的训练模型数据存在一定的个体差异,为得到高质量的数据挖掘结果,本文采用系统自动采样的方法处理数据。
CMA是由两级CMA组成的复杂系统且没有数据,因此数据并行算法可以用来降低该算法的复杂度。继续引入知识数据库容量限制原则,在大型数据库管理中建立适当规则,根据小容量区域得分,在工作结束后清理数据库容量,对清理数据进行数据耦合分析,选择删除高耦合数据操作,保持低残留数据耦合,以提高数据挖掘系统的性能。最后将算法作为约束条件,在基本约束条件下选择该算法,在系统高度复杂的情况下,合理使用约束规则以降低算法的复杂性,同时使控制算法具有最大可信度和最小可信度。根据域的标准范围,执行算法类似于将数据转换成数据,不断优化规则,降低算法对挖掘数据的不适应程度,再根据算法的复杂性分别考虑有用信息和相关数据。
3 、实验与结果
完成了上述操作后根据挖掘结果数据进行实验,以检验本文挖掘方法的挖掘效果,并设置挖掘准确率为检验指标数据,通过传感器网络将模型的基本信息传送到内部控制中心,随时监控模型的变化情况,再利用传感器将船模的能量传送到网络中。根据不同的阈值实现不同的挖掘状态,并管理相关的信息,确保收集的数据都能进行有效的实验。通过对数据中的干扰信号进行预处理识别出干扰信息,通过执行挖掘指令得到挖掘结果。
在此基础上可以发现,本文方法具有较高的精度和挖掘效果。且本文采用的挖掘方法在从接收端接收网络信号后将部署信号连接到该端口,再挖掘分配系统自动对接收信号进行信息过滤,发现干扰信号过滤位置,从而显示干扰信息,提高了整体开采的精度。由此可知,本文方法具有很强的挖掘能力,抗干扰能力强,具有一定的应用价值。
4、 结 语
本文在传统挖掘方法的基础上提出了一种基于大数据的海量天文信息智能挖掘方法,通过对干扰信息进行特征提取,不仅能够判断出干扰信号的位置,还能选择正确的算法对干扰信息进行综合分析,达到提高整体挖掘效率的目的。
参考文献
[1] 李华杰,史丹,马丽梅.基于大数据方法的经济研究:前沿进展与研究综述[J].经济学家,2018(6):96-104.
[2] 朱飞燕.大数据资源调度中多种类复杂信息智能定向检索[J].自动化与仪器仪表,2019,232(2):118-121.
[3] 陈君,庄义斐,崔美莉,等.基于APTS大数据的城市公交出行多维分析模型和方法[J].交通运输系统工程与信息,2019,19(1):80-86.
[4] 邓广慧,廖卓凡,朱蓉,等.基于日地月信息的航天器全弧段自主容积卡尔曼滤波导航[J].中国空间科学技术,2018,38(1):70-76.
