本发明网络技术领域，具体涉及一种新的大数据分析算法。
背景技术：
随着科技进步和社会经济水平的发展，人们生活进入数据化时代，人际交往可以经各种数据化信息表达，生活和工作的方方面面也可以实现数据化。为了切实提高用户使用体验，对于这些用户数据的存储、处理和分析显而成为关键。此类数据量极大，且数据完整度低、模糊、随机、含有多种无效信息(例如噪声)，如何快速有效的对数据进行处理分析成为目前业内研究的热点。
神经网络是通过网络中各连接权值的改变，实现对信息的处理和存储，在神经网络模型中，每个神经元既是信息存储单元，也是信息的处理单元，能够实现信息存储和处理的合二为一，由这些神经元构成的网络模型在每个神经元的共同作用下，完成对输入模式的识别与记忆，具有大规模并行处理的能力。。
技术实现要素：
为解决上述问题，本发明提供了一种新的大数据分析算法，能够从大量无序、潜在的信息中获得有效信息，通过对数据离散处理、降维存储，能够有效提高数据处理效率，具有处理量大、效率高等显著的优点。
为实现上述目的，本发明采取的技术方案为：
一种新的大数据分析算法，包括如下步骤：
S1、从数据库中抽取数据，确定每一种标识对应的分类规则，并采用对应的分类规则对抽取的数据进行离散化处理；
S2、从步骤S1所获取的数据库中抽取数据组成训练集；
S3、用步骤S2所得的训练集训练哈希函数；
S4、对数据库中还没得到二进制代码的实例进行二进制编码；
S5、去掉不必要的条件属性，从而分析所得到约简中的条件属性对于决策属性的决策规则；
S6、消除数据中的不一致对象和冗余对象，其中不一致对象是指条件属性相同而决策属性不同的对象，冗余对象为条件属性相同而决策属性也相同的对象
S7、确定神经元网络模型；
S8、训练神经元网络模型，并通过运行算法实现数据分析处理；
S9、对获取数据进行有效范围筛选的筛选，对筛选后数据进行权值分配，并对分配权值后数据进行融合后显示输出结果。
本发明具有以下有益效果：
能够从大量无序、潜在的信息中获得有效信息，通过对数据离散处理、降维存储，能够有效提高数据处理效率，具有处理量大、效率高等显著的优点。
具体实施方式
为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供了一种新的大数据分析算法，包括如下步骤：
S1、从数据库中抽取数据，确定每一种标识对应的分类规则，并采用对应的分类规则对抽取的数据进行离散化处理；
S2、从步骤S1所获取的数据库中抽取数据组成训练集；
S3、用步骤S2所得的训练集训练哈希函数；
S4、对数据库中还没得到二进制代码的实例进行二进制编码；
S5、去掉不必要的条件属性，从而分析所得到约简中的条件属性对于决策属性的决策规则；
S6、消除数据中的不一致对象和冗余对象，其中不一致对象是指条件属性相同而决策属性不同的对象，冗余对象为条件属性相同而决策属性也相同的对象
S7、确定神经元网络模型；
S8、训练神经元网络模型，并通过运行算法实现数据分析处理；
S9、对获取数据进行有效范围筛选的筛选，对筛选后数据进行权值分配， 并对分配权值后数据进行融合后显示输出结果。
本具体实施能够从大量无序、潜在的信息中获得有效信息，通过对数据离散处理、降维存储，能够有效提高数据处理效率，具有处理量大、效率高等显著的优点。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。