典型关联分析是一种广泛应用于统计学和机器学习领域的关联分析技术。然而,由于其训练过程的高复杂性,导致大规模数据的关联分析存在极大的难度,计算处理单元和内存系统均面临着沉重的负担。针对该问题,本文立足于大规模数据的关联分析研究,充分考虑关联分析准确率、时间效率、内存优化的不同要求,提出了基于傅里叶域的大规模数据关联分析算法模型,主要工作如下:1.针对典型关联分析求解特征空间的高度复杂性,以及大规模数据的关联分析处理存在计算量复杂、内存占用高等难题,本文提出基于傅里叶域的大规模数据线性关联分析优化算法。该算法通过对数据进行傅里叶变换,可以将传统的关联分析特征空间求解转化为寻找一些预定义的、具有判别性的傅里叶基集合,从而获得关联分析速率的提升。此外,在基于傅里叶域关联分析的基础上,提出一种新颖的傅里叶域特征评估方案,以进一步实现算法速率和内存效率的共同提升。并且本文将基于傅里叶域关联分析算法思想成功拓展到非线性核模型。实验表明该算法与现有大规模数据关联分析方法相比,如随机非线性关联分析、内核非线性正交迭代等算法,训练时间比现有方案快100～1000倍,但精度没有下降。2.将前述思路拓展到深度网络中,本文提出基于傅里叶域大规模数据关联分析的深度模型算法。该算法通过快速傅立叶变换的性质获得数据样本的傅里叶域表示,并将深度关联分析频繁的特征分解过程转换为寻求一些具有判别性的傅里叶域基,使得矩阵运算得到进一步简化,同时利用更精细的频域空间特征进行关联分析,从而实现深度模型快速且高效的训练。在多个大规模数据集上的实验结果表明,基于傅里叶域的大规模数据深度关联分析算法在时间效率和性能等方面可以获得更佳的训练效果,模型算法的训练时间比深度关联分析、深度广义关联分析等算法快50～100倍且准确率相近。3.基于上述关联分析算法设计并实现一个大规模数据图像快速分类系统,以友好的可视化界面为用户提供系统管理和图像分类服务。系统的运行和测试表明以上研究内容提出的算法模型性能优越且能够应对大规模数据图像的训练分类任务,验证了本文提出的大规模数据关联分析算法的有效性。从科学研究方向分析,大规模数据不但具有非结构化的特点,而且由于其数据量大、特征维度高,给科学研究带来了诸多挑战。本文提出的方法模型基于傅里叶域的大规模数据关联分析研究,可以快速高效的进行大规模数据的关联处理,实现关联分析速率和内存效率的共同提升。从实际应用方向分析,本文提出的方法模型可以广泛应用于数据挖掘、计算机视觉、数据分析等诸多领域,其不但可以帮助理解底层数据结构,并且在聚类分析、回归分析和许多其他任务中都具有优异的性能。