融合雙重BP神經(jīng)網(wǎng)絡(luò)組合模型的Python解析計算機網(wǎng)絡(luò)上傳數(shù)據(jù)算法

施艷昭

(安徽電子信息職業(yè)技術(shù)學(xué)院 經(jīng)濟管理系，安徽 蚌埠 233000)

近年來，社會各界對于BP神經(jīng)網(wǎng)絡(luò)組合模型十分關(guān)注，對此開展了很多研究和分析[1].為了能夠更好地挖掘與分析BP神經(jīng)網(wǎng)絡(luò)組合模型，對于解析計算機網(wǎng)絡(luò)上傳數(shù)據(jù)算法有了更高的要求[2].針對有限空間的環(huán)境下，結(jié)合分治思想構(gòu)建了STREAM算法.這種算法并未對數(shù)據(jù)變化進行充分的反映[3].構(gòu)建的CLUSTREAM算法可以利用BP神經(jīng)網(wǎng)絡(luò)組合模型，在計算機網(wǎng)絡(luò)上傳數(shù)據(jù)劃分為兩個階段：第一個階段是微計算機網(wǎng)絡(luò)上傳數(shù)據(jù)，第二階段為自適應(yīng)宏計算機網(wǎng)絡(luò)上傳數(shù)據(jù)，以實現(xiàn)計算機網(wǎng)絡(luò)上傳數(shù)據(jù)[4].針對BP神經(jīng)網(wǎng)絡(luò)組合模型的雙重特征，提出了可以通過投影計算機網(wǎng)絡(luò)上傳數(shù)據(jù)實現(xiàn)有效的解決[5].在上述幾種算法中，其依據(jù)的根本思想都是k-means計算機網(wǎng)絡(luò)上傳數(shù)據(jù)思想,這種思想的主要不足是無法實現(xiàn)對任意形式分布的計算機網(wǎng)絡(luò)上傳數(shù)據(jù)[6].

本文提出一種融合雙重BP神經(jīng)網(wǎng)絡(luò)組合模型的Python解析計算機網(wǎng)絡(luò)上傳數(shù)據(jù)算法.整個算法的主要構(gòu)成部分為：在線網(wǎng)格單元數(shù)據(jù)統(tǒng)計部分和自適應(yīng)聚類演化部分.將數(shù)據(jù)空間進行網(wǎng)絡(luò)化處理，隨后對于在線部分對應(yīng)的網(wǎng)格單元信息可通過近似技術(shù)來進行合理的統(tǒng)計與分析.而且，能夠依據(jù)改進之后的金字塔時間結(jié)構(gòu)將潛在密集網(wǎng)格單元進行存儲，采取的是快照形式.進入到Python解析階段，則是利用深度優(yōu)先搜索方式來實施計算機網(wǎng)絡(luò)上傳數(shù)據(jù)，而且借助實驗對算法可行性進行了有效的分析.

1 Python解析計算機網(wǎng)絡(luò)上傳數(shù)據(jù)算法

以A={A1,A2,…,Ak}代表歐氏空間下對應(yīng)的屬性集合，可將其k維數(shù)據(jù)空間表示為S=A1×A2×…×Ak，那么此時在某時刻t，在S上的BP神經(jīng)網(wǎng)絡(luò)組合即可表示為X=，xi=代表的為某個數(shù)據(jù)點.可以依據(jù)其各屬性維度，將BP神經(jīng)網(wǎng)絡(luò)進行平均分割，進而可得到ξ個區(qū)間，而其中的S能夠被分割得到ξk個超立方體單元，而且彼此是不相交的，此時每個超立方體與一個網(wǎng)格單元是相對應(yīng)的.

定義1 給定一個BP神經(jīng)網(wǎng)絡(luò)組合模型X上的時間段[t-h,t]，稱density(u)=count(u)/(|N|)為單元u的密度.其中：|N|為BP神經(jīng)網(wǎng)絡(luò)組合總量，count(u)代表的則是在單元u中具有的數(shù)據(jù)點個數(shù).

定義2 假定[t-h,t]表示的是在X上的某個時間段,其密度閾值為τ，ε表示其誤差因子，假如滿足density(u)≥τ-ε，那么可以證明此時該單元u為密集的；若density(u)>ε，則網(wǎng)格單元u是潛在密集的；若density(u)≤ε，則網(wǎng)格單元u是非密集的.

假如從開始至今所經(jīng)過的總時間表示為Tc，那么此時在第0層具有的最小時間粒度則可表示為Tmin.如下所述即為改進金字塔的時間結(jié)構(gòu)定義：①其最大層數(shù)表示為logα(Tc/Tmin)，α一般的取值為2,4,8；②如果滿足條件((Tc/Tmin)modαi)=0and((Tc/Tmin)modαi+1)≠0，那此時將取i為時刻Tc時，對應(yīng)的存儲快照層次；③在每層所可存儲的快照僅為最近的β個，其中β取值為大于α的正整數(shù)；④Tminαi表示的則是第i層對應(yīng)的時間跨度.

對比未改進之前的金字塔時間結(jié)構(gòu)，將其進行改進之后，對于參數(shù)存儲快照是可以結(jié)合用戶的精度需求來進行設(shè)置的，包括Tmin等參數(shù)，而且使得快照是不會出現(xiàn)冗余問題的，也不用進行刪除處理.

性質(zhì)1 在改進后的金字塔時間結(jié)構(gòu)下，假如將當(dāng)前時間點以Tc表示，用戶指定時間跨度則以h表示，那么要求在Ts時刻，存在快照滿足Tc-Ts≤2h.

依據(jù)改進金字塔結(jié)構(gòu)，能夠得到在第r個時刻產(chǎn)生的時間序列可表示為tr,t0代表的則是起始時刻點，那么X=Nt1∪Nt2∪…∪Nti∪…,表示的是BP神經(jīng)網(wǎng)絡(luò)組合模型，其中：Nti為從時刻ti-1到ti的BP神經(jīng)網(wǎng)絡(luò)分段.

因此，在對LGE進行刪除之前，對應(yīng)的非密集單元具有的誤差水平應(yīng)當(dāng)能夠控制在ε以下，而且不會由于刪除而使得密集單元輸出的正確性受到影響.因此，當(dāng)ε為給定的前提下，要求對潛在密集網(wǎng)格單元進行存儲，以此來實現(xiàn)對空間復(fù)雜度的有效降低.

2 實驗與結(jié)果分析

為了更好地驗證本文算法的性能，對文中計算機網(wǎng)絡(luò)上傳數(shù)據(jù)精度進行了界定.如圖1、圖2所示，分別表示的是在真實數(shù)據(jù)集KDD-CUP-99，以及仿真數(shù)據(jù)集B300kC5D30S6的情況下，CMDBPNN以及CluStream具有的精度水平.由于Python解析計算機網(wǎng)絡(luò)上傳數(shù)據(jù)算法采用子空間計算機網(wǎng)絡(luò)上傳數(shù)據(jù),面對雙重數(shù)據(jù)也能夠進行有效的處理，而且對于任意形式分布計算機網(wǎng)絡(luò)上傳數(shù)據(jù)的效果也是很好的.因此，對比CluStream，本文算法具有更好的精度水平，相關(guān)參數(shù)設(shè)置為τ=0.002,ε=0.05τ,h=10,l=5.

圖1 基于KDD-CUP-99的精度比較(數(shù)據(jù)流100組/秒)

圖2 基于仿真數(shù)據(jù)集的精度比較(數(shù)據(jù)流500組/秒)

利用真實數(shù)據(jù)集KDD-CUP-99，對算法具有的執(zhí)行效率進行分析，將CMDBPNN算法和CluStream展開對比，而且要求進行周期性的快照存貯，進行實驗時，則以快照存儲于內(nèi)存中.結(jié)合圖3，盡管CMDBPNN算法的子空間計算機網(wǎng)絡(luò)上傳數(shù)據(jù)需要一定的時間耗費，然而，是不需要CluStream進行頻繁的聚合、增刪等操作的.因此，能夠得出，CMDBPNN與CluStream具有基本相同的執(zhí)行效率，相關(guān)參數(shù)設(shè)置為τ=0.005,ε=0.1τ,h=10,l=5.

實驗中還生成了B300kC5D30S6仿真數(shù)據(jù)集，以對算法內(nèi)存占用情況進行有效的分析，在內(nèi)存中主要是對數(shù)據(jù)結(jié)構(gòu)SET進行存儲，而在硬盤中則進行快照存儲.結(jié)合圖4，能夠得出，該算法中所需的內(nèi)存空間并不大，而且如果CMDBPNN呈現(xiàn)出了相對穩(wěn)定的分布，那么此時對應(yīng)的內(nèi)存狀態(tài)也是比較穩(wěn)定的.而且如果具有的密度閾值較大，那么此時其中的潛在密集網(wǎng)格也僅有少部分需要維護，因此內(nèi)存占用較少，在實驗中相關(guān)參數(shù)設(shè)置如下：ε=0.05τ,h=10,l=5.

將得到的B300kC5D30S6數(shù)據(jù)集分別取不同的維數(shù)，15,20,25,30，35得到對應(yīng)的仿真數(shù)據(jù)集，以分析BP神經(jīng)網(wǎng)絡(luò)組合模型空間維度對算法的影響，參數(shù)設(shè)置為：τ=0.005,ε=0.1τ,h=10,l=6.

為測試CMDBPNN所含計算機網(wǎng)絡(luò)上傳數(shù)據(jù)維數(shù)的伸縮性，生成B300kC5D30S6，取其在4，5,6,7和8維數(shù)下的仿真數(shù)據(jù)集，并且分析τ=0.005,ε=0.1τ,h=10的情況下，當(dāng)維數(shù)為4,5時，l=4,6,7；當(dāng)維數(shù)為8時l=6的情況，結(jié)合圖3及圖4，能夠得出不管是空間維數(shù)還是計算機網(wǎng)絡(luò)上傳數(shù)據(jù)維數(shù)都具有較好的伸縮性.

圖3 對數(shù)據(jù)空間維數(shù)的伸縮性

圖4 對所含計算機網(wǎng)絡(luò)上傳數(shù)據(jù)維數(shù)的伸縮性

3 結(jié)論

針對計算機網(wǎng)絡(luò)上傳數(shù)據(jù)問題，提出了融合雙重BP神經(jīng)網(wǎng)絡(luò)組合模型的Python解析計算機網(wǎng)絡(luò)上傳數(shù)據(jù)算法.該算法對于雙重BP神經(jīng)網(wǎng)絡(luò)組合模型的數(shù)據(jù)上傳問題能夠有效解決，任何形態(tài)分布的計算機網(wǎng)絡(luò)上傳數(shù)據(jù)都能夠?qū)崿F(xiàn).而且，對優(yōu)化之后的金字塔時間結(jié)構(gòu)，對其中潛藏的網(wǎng)格單元來實施有效的存儲.最終結(jié)果表明：本文算法能夠使得計算機網(wǎng)絡(luò)上傳數(shù)據(jù)具有較高的實現(xiàn)效率.