1.一種基于Hadoop的自適應(yīng)RK-means算法，其特征在于：包括以下步驟：
S1：根據(jù)業(yè)務(wù)需求，輸入待聚類的數(shù)據(jù)集；
S2：運(yùn)用基于Hadoop的自適應(yīng)聚類中心算法獲取聚類中心點(diǎn)及數(shù)目；
S3：將上一步的結(jié)果作為算法的初始聚類中心，輸入到基于Hadoop的RK-means算法中，獲取全局最優(yōu)的聚類簇；
S4：輸出聚類結(jié)果。
2.根據(jù)權(quán)利要求1所述的一種基于Hadoop的自適應(yīng)RK-means算法，其特征在于：所述步驟S1具體包括：
S11：確定業(yè)務(wù)需求；
S12：根據(jù)業(yè)務(wù)需求準(zhǔn)備數(shù)據(jù)；
S13：數(shù)據(jù)預(yù)處理；
S14：得到待聚類的數(shù)據(jù)集。
3.根據(jù)權(quán)利要求2所述的一種基于Hadoop的自適應(yīng)RK-means算法，其特征在于：所述步驟S13中的數(shù)據(jù)預(yù)處理通過(guò)分析數(shù)據(jù)、異常值處理、數(shù)據(jù)的抽取及數(shù)據(jù)的轉(zhuǎn)換，直接作為算法的輸入數(shù)據(jù)。
4.根據(jù)權(quán)利要求1所述的一種基于Hadoop的自適應(yīng)RK-means算法，其特征在于：所述步驟S2具體包括：
S21：將數(shù)據(jù)集X讀入，估計(jì)數(shù)據(jù)集內(nèi)隨機(jī)觀測(cè)值的空間距離，按照升序排列，隨機(jī)選取一觀測(cè)點(diǎn)作為初始中心點(diǎn)，聚類數(shù)目設(shè)置為1，設(shè)定兩觀測(cè)值相似性閾值；
S22：估計(jì)其余觀測(cè)點(diǎn)與初始聚類中心間的空間距離，將觀測(cè)點(diǎn)的id作為map函數(shù)的key，觀測(cè)點(diǎn)與初始聚類中心點(diǎn)的空間距離設(shè)為value輸出到Combine函數(shù)中；
S23：Combine函數(shù)選取所有觀測(cè)點(diǎn)中最小的空間距離，取該距離與兩觀測(cè)值相似性閾值進(jìn)行比較：若偏大，則聚類數(shù)量進(jìn)1，將該觀測(cè)值的id作為key，該觀測(cè)值的屬性記為value輸出到Reduce中；若偏小，則將初始中心點(diǎn)的id作為key，該觀測(cè)值的屬性記為value輸出到Reduce；
S24：通過(guò)Reduce函數(shù)更新兩觀測(cè)值相似性閾值；
S25：判斷數(shù)據(jù)集中所有數(shù)據(jù)是否都已分類完畢：若是，則輸出聚類中心；反之，則重復(fù)執(zhí)行S22至S24。
5.根據(jù)權(quán)利要求1所述的一種基于Hadoop的自適應(yīng)RK-means算法，其特征在于：所述步驟S3具體包括：
S31：根據(jù)每個(gè)對(duì)象到初始聚類中心的距離，將對(duì)象分配給最近的聚類中心；
S32：Map函數(shù)中，key表示該類簇所屬聚類中心類別，value表示類別及其對(duì)象的屬性；
S33：Reduce函數(shù)讀取Map函數(shù)寫入的中間結(jié)果，即context.write(key，value)；
S34：獲取每個(gè)簇的平均值；
S35：根據(jù)各對(duì)象到每個(gè)簇中心的距離，采用增加隨機(jī)項(xiàng)的更新算法更新聚類中心，將它們重新分配給距離最近的簇；
S36：輸出不同的簇，其中key為各個(gè)簇的編號(hào)，value為各個(gè)簇中每個(gè)對(duì)象對(duì)應(yīng)的屬性，最后的輸出就是RK-means聚類的結(jié)果。