肖 峰

(安徽職業(yè)技術(shù)學(xué)院 信息工程學(xué)院，安徽 合肥 230031)

隨著分布式的網(wǎng)絡(luò)組網(wǎng)技術(shù)的發(fā)展，網(wǎng)絡(luò)的冗余度較高.為了有效降低網(wǎng)絡(luò)數(shù)據(jù)的冗余度，提升網(wǎng)絡(luò)數(shù)據(jù)的傳輸效率.相關(guān)研究人員作出以下改進(jìn)：首先，構(gòu)建了雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)調(diào)度和特征信息識(shí)別模型，優(yōu)化了數(shù)據(jù)庫(kù)存儲(chǔ)結(jié)構(gòu)；然后，提取雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征量；最后，根據(jù)提取結(jié)果進(jìn)行網(wǎng)絡(luò)組網(wǎng)控制和信息化調(diào)度[1]，實(shí)現(xiàn)雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)融合處理.從而提高雙冗余網(wǎng)絡(luò)的信息訪問(wèn)和傳輸調(diào)度能力，相關(guān)的雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)調(diào)度和特征提取方法研究受到人們的極大關(guān)注.

對(duì)雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征提取是實(shí)現(xiàn)數(shù)據(jù)優(yōu)化訪問(wèn)和信息組網(wǎng)控制的關(guān)鍵[2]，通過(guò)構(gòu)建雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的特征辨識(shí)模型，采用多維信息空間重組，實(shí)現(xiàn)雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)訪問(wèn)和采集.傳統(tǒng)方法中，對(duì)雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的特征提取方法主要有模糊度采集方法、線性融合方法、關(guān)聯(lián)特征匹配方法等[3-5]，構(gòu)建雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的融合模型，采用統(tǒng)計(jì)信息分析，實(shí)現(xiàn)雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征提取和回歸分析，但傳統(tǒng)方法進(jìn)行雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征提取的自適應(yīng)性不好，抗干擾能力不強(qiáng).針對(duì)傳統(tǒng)方法存在的弊端，本文提出基于模糊參數(shù)融合的雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征檢測(cè)方法.首先采用云融合調(diào)度方法，分析雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的關(guān)聯(lián)規(guī)則信息，構(gòu)建雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征融合模型；然后采用自適應(yīng)特征匹配和模板集線性調(diào)度，實(shí)現(xiàn)對(duì)雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的統(tǒng)計(jì)特征分析，在機(jī)器學(xué)習(xí)算法和模糊度檢測(cè)方法的引導(dǎo)下，實(shí)現(xiàn)雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征檢測(cè)過(guò)程中的自適應(yīng)尋優(yōu)、收斂性控制和優(yōu)化.最后進(jìn)行仿真實(shí)驗(yàn)測(cè)試，展示了本文方法在提高雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征檢測(cè)能力方面的優(yōu)越性.

1 雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)分布結(jié)構(gòu)和信息融合

1.1 雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)分布結(jié)構(gòu)模型

為了實(shí)現(xiàn)雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)信息檢測(cè)，首先構(gòu)建雙冗余網(wǎng)絡(luò)高維數(shù)據(jù)分布結(jié)構(gòu)模型，結(jié)合子圖抽取和子圖結(jié)構(gòu)分析的方法[6]，構(gòu)建雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)分布區(qū)域的相似圖結(jié)構(gòu)，如圖1所示.

圖1 雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)分布的相似圖結(jié)構(gòu)

(1)

(2)

式中，N(u)={u0,u1,…,ui+k}為雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的分布節(jié)點(diǎn)匹配度，u是本體的關(guān)系相似性水平，i是離散數(shù)據(jù)節(jié)點(diǎn)數(shù)量.構(gòu)建雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的分布結(jié)構(gòu)模型，得到雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)本體分布函數(shù)為

(3)

(4)

式中，P(u)為雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)本體匹配參數(shù)集，Ci(i=0,1,…,n)為雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的節(jié)點(diǎn)出入度.采用邏輯單元編碼的方法構(gòu)建雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)傳輸信道均衡配置模型[8]，得到雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的分布式近融合Wi(i=0,1,…,n)，記錄知識(shí)點(diǎn)本體的編號(hào)，通過(guò)空間調(diào)度，得到雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)檢測(cè)的尋優(yōu)模型滿足W0>0，采用云融合調(diào)度方法[9]，構(gòu)建雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的自適應(yīng)調(diào)度和特征融合模型，提高數(shù)據(jù)檢測(cè)的效能.

1.2 雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)融合處理

采用學(xué)習(xí)資源本體數(shù)據(jù)融合分析的方法，構(gòu)建雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的節(jié)點(diǎn)異構(gòu)模型[10]，通過(guò)知識(shí)點(diǎn)本體簡(jiǎn)化融合的方法[11]，得到雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的近似同構(gòu)匹配輸出為

(5)

(6)

(7)

忽略雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的輸出高階分量H.O.T的干擾，采用波特間隔均衡得到雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的均衡調(diào)度模型，采用雙線性編碼的方法，分析雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的信息增量Δui+1，得到雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)融合處理函數(shù)表示為

(8)

式中，Ts為雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的曲線插補(bǔ)周期，冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的統(tǒng)計(jì)信息量為u(ti)=ui,u(ti+1)=ui+1，根據(jù)上述計(jì)算結(jié)果，實(shí)現(xiàn)雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)融合處理.通過(guò)自適應(yīng)特征匹配和模板集線性調(diào)度，實(shí)現(xiàn)對(duì)雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的統(tǒng)計(jì)特征分析.

2 雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征檢測(cè)優(yōu)化

2.1 雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征提取

建立雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)傳輸?shù)呢?fù)載分配模型，采用梯度信息特征分解的方法，得到雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的統(tǒng)計(jì)特征輸出為

(9)

式中，?表示雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)傳輸?shù)呢?fù)載參數(shù)，WTz表示雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)傳輸向量函數(shù)，E(x)表示梯度信息模型函數(shù).

在機(jī)器學(xué)習(xí)算法引導(dǎo)下，構(gòu)建雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的自相關(guān)特征匹配集為

(10)

式中，rk表示雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的自適應(yīng)匹配度，rD表示雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的特征分析量.采用空間特征聚類分析方法，建立雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征檢測(cè)模型，得到多徑特征分量表示為

(11)

式中，an(t)表示雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)空間特征參數(shù)集.構(gòu)建主網(wǎng)雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的Hash特征向量φ=(φ1,φ2,…,φn)，采用機(jī)器學(xué)習(xí)迭代控制，得到雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征提取的學(xué)習(xí)算子為

(12)

采用多維空間參數(shù)特征結(jié)合的方法構(gòu)建雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)空間重構(gòu)模型，提取雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征進(jìn)行模糊度檢測(cè)，實(shí)現(xiàn)雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的尋優(yōu)化輸出.

2.2 雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征模糊度檢測(cè)

在提取雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征的基礎(chǔ)上，通過(guò)模糊度特征信息提取方法，構(gòu)建大數(shù)據(jù)特征聚類模型，采用非線性融合聚類分析，得到雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的編碼輸出為

(13)

式中，di,j(i=0,1,…,m;j=0,1,…,n)為雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的空間混淆度.根據(jù)雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的敏感度分量實(shí)現(xiàn)均衡控制，當(dāng)m=1時(shí)，雙冗余網(wǎng)格的空間混淆度為最小值，即di,,j=snξ，在雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)重復(fù)鄰域空間(t,f)內(nèi)，數(shù)據(jù)的離散調(diào)度分布為

(14)

(15)

結(jié)合分組樣本的方法，對(duì)u作線性特征分離，得到雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的模糊度匹配輸出為

(16)

其中，ti表示模糊采樣時(shí)間節(jié)點(diǎn).采用i次迭代插值方法，構(gòu)建雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的統(tǒng)計(jì)分析模型，得到雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的模糊特征分量為

(17)

根據(jù)以上算法構(gòu)建雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的濾q1q2q1dq2d波檢測(cè)模型，完成雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征檢測(cè)過(guò)程中的自適應(yīng)尋優(yōu)和收斂性控制，實(shí)現(xiàn)雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征檢測(cè)優(yōu)化，提高主網(wǎng)雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的信息飽和度.

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證本文方法在實(shí)現(xiàn)雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征檢測(cè)的應(yīng)用性能，進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)中對(duì)雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)采樣的序列長(zhǎng)度為1024，參考序列的幀采樣帶寬為18 Bps，模糊度辨識(shí)參數(shù)為0.34，數(shù)據(jù)的相似度分布系數(shù)為0.63，雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征融合的時(shí)間間隔是2.56 s，自適應(yīng)特征分布式融合的特征辨識(shí)頻率為35 KHz，根據(jù)上述參數(shù)設(shè)定，構(gòu)建雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征檢測(cè)模型，得到雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)輸出測(cè)試樣本如圖2所示.

圖2 雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)測(cè)試樣本

以圖2的雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)測(cè)試樣本為研究對(duì)象，實(shí)現(xiàn)對(duì)雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的譜特征提取檢測(cè)，得到檢測(cè)結(jié)果如圖3所示.

圖3 雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征檢測(cè)輸出

分析圖3得知，本文方法能有效實(shí)現(xiàn)雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的譜特征檢測(cè)，數(shù)據(jù)檢測(cè)的特征收斂性和聚類性較好.測(cè)試雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征檢測(cè)的準(zhǔn)確概率，得到結(jié)果如圖4所示.

圖4 雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)檢測(cè)概率測(cè)試

分析圖4得知，本文方法對(duì)雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)檢測(cè)的準(zhǔn)確概率較高，檢測(cè)檢測(cè)性能較好.

4 結(jié)語(yǔ)

本文提出基于模糊參數(shù)融合的雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征檢測(cè)方法.結(jié)合子圖抽取和子圖結(jié)構(gòu)特征分析的方法，構(gòu)建雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)分布區(qū)域的相似圖結(jié)構(gòu)，采用學(xué)習(xí)資源本體特征分析的方法，構(gòu)建雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的節(jié)點(diǎn)異構(gòu)模型，構(gòu)建雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)的濾波檢測(cè)模型，完成雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征檢測(cè)過(guò)程中的自適應(yīng)尋優(yōu)和收斂性控制.研究得知，本文方法進(jìn)行雙冗余網(wǎng)絡(luò)高維離散數(shù)據(jù)特征檢測(cè)的精度較高，檢測(cè)能力較好.