WiMi Hologram Cloud Inc. kondigde de ontwikkeling aan van een op ANN (kunstmatig neuraal netwerk) gebaseerd algoritme voor datamining en clustering. Bij clusteringanalyse worden gegevens verdeeld in klassen volgens specifieke regels, zodat er minder overeenkomsten zijn tussen soorten en meer binnen categorieën. De resultaten van de gegevensanalyse onthullen de intrinsieke verbanden en verschillen tussen de gegevens en vormen een essentiële basis voor verdere gegevensanalyse en kennisontdekking.

WiMi's op ANN gebaseerde data mining en clustering optimalisatie algoritmen bevatten de volgende methoden. Partitionering: Deze methode vindt sferisch elkaar uitsluitende clusters, met de centra van de clusters uitgedrukt als gemiddelden of centroïden. Dit algoritme is geschikt voor clusteringsproblemen met een vast aantal clusters en kleine gegevenssets.

De willekeurige zoekstrategie maakt het clusteren van gegevens op grote schaal efficiënt en goed schaalbaar. Gepartitioneerde clusteringsalgoritmen kunnen gemakkelijk worden geparallelliseerd en zijn de afgelopen jaren zeer actief geweest op big data-verwerkingsplatforms. Hiërarchisch: Deze methode is gebaseerd op hiërarchische decompositieclustering, waarbij een hiërarchische decompositie wordt uitgevoerd op basis van de overeenkomst tussen datapunten om geneste clusteringbomen met een hiërarchische structuur te genereren.

De bottom-up hiërarchische decompositie komt overeen met de coalescentiemethode, terwijl de top-down decompositie overeenkomt met de splitsingsmethode. Op dichtheid gebaseerd: Dit algoritme vindt clusters met verschillende vormen zonder de vorm van de clusters te veranderen. Het is geschikt voor clusters met onregelmatige aantallen en willekeurige vormen en kan ruis verminderen of zelfs elimineren.

Het verdeelt regio's met voldoende dichtheid in clusters en vindt clusters met willekeurige vormen in ruimtelijke databases met veel ruis. Het definieert clusters als de meest uitgebreide verzameling punten met verbonden dichtheid op basis van de lokale dichtheid van bemonsterde punten. Rastergebaseerd: Dit algoritme clustert de gekwantificeerde rasterruimte, die snel en rekenkrachtig is.

De ruimte wordt verdeeld in meerdere rasters, en de gegevens op het raster worden geanalyseerd. Modelclustering: Dit algoritme gaat ervan uit dat de gegevens worden gemengd volgens een specifieke waarschijnlijkheidsverdeling die werkt om de beste fit te vinden tussen de gegevens en een bepaald model. In dit tijdperk van massale gegevens is datamining van cruciaal belang, en de toepassingen ervan worden steeds belangrijker.

Bedrijven met een data warehouse of database met analytische waarde en behoeften kunnen doelgerichte datamining uitvoeren om waardevolle gegevens te verkrijgen. De keuze van de clustermethode bepaalt rechtstreeks de kwaliteit van datamining, aangezien algoritmen voor optimalisering van clustering gegevens met multidimensionale en ongecorreleerde kenmerken kunnen verwerken. Er wordt voortdurend gezocht naar betere clusteringsanalysemethoden om de kwaliteit van de clustering te verbeteren.

Het door WiMi ontwikkelde ANN-gebaseerde algoritme voor datamining en optimalisatie kan automatisch clusteringsresultaten met een kleinere granulariteit samenvoegen op basis van vooraf gedefinieerde waarschuwingswaarden, waardoor het optreden van nauwe clusteringsresultaten als gevolg van het buitensporige aantal gespecificeerde clusters effectief wordt voorkomen. Met zijn sterk niet-lineaire leervermogen, fouttolerantie voor lawaaierige gegevens en sterke vermogen om op regels gebaseerde kennis te extraheren, is het ANN-model superieur voor gegevensverwerking en knowledge mining.