摘要(Abstract)：
针对多源异构数据并行聚类算法存在并行聚类处理精度低、处理时间长的问题，提出基于频繁项集的多源异构数据并行聚类算法；通过确定数据库内频繁项集与支持度的数值，采用关联规则满足最小支持度阈值以及最小置信度阈值，利用极大元法挖掘最大频繁项集，构建相异度数据结构矩阵；利用平均加权法获取数据库内多源异构发射数据包，使用时间窗口和频繁项集挖掘出多源异构数据特征，获取信道传输功率谱密度；利用时间反转处理以及高维相空间重构方法，实现多源异构数据并行聚类。结果表明，该算法的多源异构数据并行聚类处理精度较高，能够有效缩短处理时间。
关键词(KeyWords)： 频繁项集;多源异构数据;并行聚类;关联规则;相异度矩阵
基金项目(Foundation): 国家自然科学基金项目(61702164)
作者(Author): 赵春霞,赵营颖,宋学坤
DOI: 10.13349/j.cnki.jdxbn.20220310.001
参考文献(References)：
[1] 文凯，耿小海，许萌萌.基于BTA算法的数据流频繁项集挖掘[J].计算机工程与设计，2020,41(8):2226-2230.
[2] 王斌，房新秀，魏天佑.基于差异节点集的加权频繁项集挖掘算法[J].计算机工程，2020,46(5):150-156.
[3] 张文杰，蒋烈辉.基于MapReduce并行化计算的大数据聚类算法[J].计算机应用研究，2020,37(1):53-56.
[4] 崔艺馨，陈晓东.Spark框架优化的大规模谱聚类并行算法[J].计算机应用，2020,40(1):168-172.
[5] 何倩，李双富，黄焕，等.一种海量数据快速聚类算法[J].北京邮电大学学报，2020,43(3):118-124.
[6] 高海燕，黄恒君，王宇辰.基于非负矩阵分解的函数型聚类算法[J].统计研究，2020,37(8):91-103.
[7] 张雄涛，蒋云良，潘兴广，等.基于迭代模糊聚类算法与K近邻和数据字典的集成TSK模糊分类器[J].电子与信息学报，2020,42(3):746-754.
[8] 孙乐乐，金宝轩.两步解码式空间矢量数据并行转换算法[J].浙江大学学报(工学版),2020,54(9):1768-1776,1804.
[9] 陆旭，陈毅红，熊章瑞，等.一种面向大数据分析的快速并行决策树算法[J].云南大学学报(自然科学版),2020,42(2):244-251.
[10] 王习特，朱宗梅，于雪苹，等.异构分布式环境中的并行离群点检测算法[J].湖南大学学报(自然科学版),2020,47(10):100-110.
