稀疏化相似矩阵并行分析附MapReduce并行实现.docVIP

（2）基于Hadoop MapReduce并行优化算法性能：目前，基于Hadoop MapReduce并行计算近似谱聚类算法研究刚起步，国内外学者基于Hadoop MapReduce并行计算主要侧重于优化聚类算法性能，提高聚类算法的加速比与可扩展性，以解决不能求解海量算数据聚类问题。研究k-means聚类算法特点，为获得加速比与扩展性，利用MapReduce并行化后部署到Hadoop集群运行[50]与利用Hadoop集群Mapreduce编程模型实现k-means聚类算法降低大数据聚类的时间复杂度[51]，以及利用Combine函数减少网络流量改进基于MapReduce传统的并行k-means聚类算法，用以分析和挖掘海量数据[52]；Plaza等人[53]结合高光谱图像中空间和谱信息，在基于商业用途的集群上（包括高性能并行计算体系结构：欧洲巴塞罗那并行计算中心的分布式存储、多指令多数据的多机组等）并行化使用多信道波形变换的无监督技术提出并行数据分析策略；Lv Z等人[54]基于MapReduce并行编程模型并行k-means 聚类算法聚类远程传感图像。 文献[55]是该领域的理论专著，文献[56]和[57]分别是MapReduce并行大规模高维数据集研究的专著和最新的云计算分布式并行研究专著。目前，国内外基于Hadoop MapReduce并行聚类与谱聚类算法研究都处于刚起步状况，