本文针对海量数据处理上存在的问题和难点进行分析,提出了多源海量数据特征融合的多层次递阶结构,设计了一种处理多源海量数据的模型。此模型主要用来处理高维数据递阶、分层降维和分类决策的问题。第一章主要介绍了海量数据处理和数据融合的背景,强调海量数据处理和数据融合在生物医学、水力部门、金融等方面的重要性。本章基于生物医学领域,阐述了医学数据的庞大和无序,急需要有专业的数据处理技术来处理海量的数据。本文的主要研究内容是提出一种海量数据的处理方法,能够从海量的数据中挖掘出隐含的信息。第二章主要描述了海量数据的特性和对海量数据预处理的方法。海量数据一般是在超维空间中表示,而超维空间与日常中的低维空间有着明显的区别。低维空间的数据主要分布在空间的中部,而高维空间却恰恰相反,数据主要分布在边缘。所以降维的主要依据就是将数据从超维到低维的转化。数据的类型是多源的,为了将不同数据进行融合和比较,需要将不同的数据进行统一化,归一化。此过程中数据的预处理(如格式转换、归一化、降噪、平滑、降维等)就显得非常重要了。第三章介绍了基于分层递阶图的降维与可视化信息融合方法,本章重点介绍分层递阶图的模型,海量数据降维和可视化信息融合等,可视化信息融合的方法。第四章在前几章的理论基础上,提出了一种基于多源海量数据分层递阶图表示模型。并且将此模型运用到脑电数据的可视化处理上,得出仿真结果,说明本文提出的模型的可行性。将此模型的仿真结果与文献中已有模型的仿真结果进行对比,体现本文提出的模型的优越性。