《数据仓库与数据挖掘》配套教学课件.ppt

算法：ICA独立成分分析 输入：多维信号s 输出：最优逼近解Y 方法： (1) s经混合系统A之后得到观测信号X (2) 找到分离矩阵W (3) 使得Y=WX是s最优逼近 盲信号处理 7.6.3 ICA应用要求 7.6.4 ICA应用场合 近年来，采用独立成分分析实现盲源分离，对感兴趣的独立成分进行源定位成为研究热点，在生物医学信号处理中主要用于去噪及提取所需的生物医学信号。 利用聚类方法，将各个独立成分之间的相关特性进行有效归类，剔除伪迹干扰，为感兴趣的独立成分的选取提供可靠依据， 减少人工特征识别和挑选中产生的误差， 为后续的定位提供保障。  阿尔茨海默病 自闭症 遗忘型轻度认知损伤 早产儿 第 7 章 聚类分析 7.1 聚类分析概述 7.2 差异度的计算方法 7.3 基于分割的聚类方法 7.4 基于密度的聚类方法 7.5 谱聚类方法 7.6 ICA 聚类分析 7.7 面向大数据的聚类分析 7.7.1 应用背景 7.7.2 k-means++算法 7.7.3 k-meansⅡ算法 7.7.1 应用背景 现在的社会是一个信息高速发展，数据呈爆炸性增长的年代，亟待需要一个适合应用于超大数据处理的新平台出现。云计算的出现很好满足了的需求，天才般的MapReduce计算框架的出现和开源的Hadoop平台的应用，使得对大数据进行聚类变得可能。数据越大，聚类的效果会越好。