[发明专利]一种聚类采集与识别方法、系统及存储介质

说明书

本发明属于数据处理技术领域，具体涉及聚类采集与识别方法、系统及存储介质，所述方法执行以下步骤：步骤1：政务终端运行过程中实时采集数据，将采集到的数据写入一个文件中，得到数据文件；步骤2：针对数据发文件进行聚类采集，完成数据的聚类划分；步骤3：针对聚类划分后的数据，添加双重共识识别验证机制，在调用聚类划分后的数据时，通过双重共识识别验证机制，识别聚类划分后的数据的类别，同时，聚类划分后的数据识别调用请求的来源是否符合双重共识识别验证机制设定的条件。其将政务终端采集到的数据写入文件，然后进行聚类分类，再对调用这些数据进行双重验证，提升了数据调用的效率，同时提升了数据调用的安全性。

技术领域

本发明属于数据处理技术领域，具体涉及一种聚类采集与识别方法、系统及存储介质。

背景技术

聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。聚类（Cluster）分析是由若干模式（Pattern）组成的，通常，模式是一个度量（Measurement）的向量，或者是多维空间中的一个点。

聚类分析以相似性为基础，处在同一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。

从统计学的观点看，聚类分析是通过数据建模简化数据的一种方法。传统的统计聚类分析方法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。采用k-均值、k-中心点等算法的聚类分析工具已被加入到许多著名的统计分析软件包中，如SPSS、SAS等。

从机器学习的角度讲，簇相当于隐藏模式。聚类是搜索簇的无监督学习过程。与分类不同，无监督学习不依赖预先定义的类或带类标记的训练实例，需要由聚类学习算法自动确定标记，而分类学习的实例或数据对象有类别标记。聚类是观察式学习，而不是示例式的学习。

聚类分析是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。聚类分析所使用方法的不同，常常会得到不同的结论。不同研究者对于同一组数据进行聚类分析，所得到的聚类数未必一致。

从实际应用的角度看，聚类分析是数据挖掘的主要任务之一。而且聚类能够作为一个独立的工具获得数据的分布状况，观察每一簇数据的特征，集中对特定的聚簇集合作进一步地分析。聚类分析还可以作为其他算法（如分类和定性归纳算法）的预处理步骤。

发明内容

本发明的主要目的在于提供一种聚类采集与识别方法、系统及存储介质，其将政务终端采集到的数据写入文件，然后进行聚类分类，再对调用这些数据进行双重验证，提升了数据调用的效率，同时提升了数据调用的安全性。

为达到上述目的，本发明的技术方案是这样实现的：

聚类采集与识别方法，方法执行以下步骤：步骤1：政务终端运行过程中实时采集数据，对实时采集的数据首先进行数据空间映射，对数据进行初步的空间映射划分，再根据空间映射划分的结果，分别将采集到的数据写入一个文件中，得到数据文件；步骤2：针对数据文件进行聚类采集，完成数据的聚类划分；步骤3：针对聚类划分后的数据，添加双重共识识别验证机制，在调用聚类划分后的数据时，通过双重共识识别验证机制，识别聚类划分后的数据的类别，同时，聚类划分后的数据识别调用请求的来源是否符合双重共识识别验证机制设定的条件。