雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征檢測方法研究

肖 峰

(安徽職業(yè)技術學院 信息工程學院，安徽 合肥 230031)

隨著分布式的網(wǎng)絡組網(wǎng)技術的發(fā)展，網(wǎng)絡的冗余度較高.為了有效降低網(wǎng)絡數(shù)據(jù)的冗余度，提升網(wǎng)絡數(shù)據(jù)的傳輸效率.相關研究人員作出以下改進：首先，構建了雙冗余網(wǎng)絡高維離散數(shù)據(jù)調(diào)度和特征信息識別模型，優(yōu)化了數(shù)據(jù)庫存儲結構；然后，提取雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征量；最后，根據(jù)提取結果進行網(wǎng)絡組網(wǎng)控制和信息化調(diào)度[1]，實現(xiàn)雙冗余網(wǎng)絡高維離散數(shù)據(jù)融合處理.從而提高雙冗余網(wǎng)絡的信息訪問和傳輸調(diào)度能力，相關的雙冗余網(wǎng)絡高維離散數(shù)據(jù)調(diào)度和特征提取方法研究受到人們的極大關注.

對雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征提取是實現(xiàn)數(shù)據(jù)優(yōu)化訪問和信息組網(wǎng)控制的關鍵[2]，通過構建雙冗余網(wǎng)絡高維離散數(shù)據(jù)的特征辨識模型，采用多維信息空間重組，實現(xiàn)雙冗余網(wǎng)絡高維離散數(shù)據(jù)訪問和采集.傳統(tǒng)方法中，對雙冗余網(wǎng)絡高維離散數(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、關聯(lián)特征匹配方法等[3-5]，構建雙冗余網(wǎng)絡高維離散數(shù)據(jù)的融合模型，采用統(tǒng)計信息分析，實現(xiàn)雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征提取和回歸分析，但傳統(tǒng)方法進行雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征提取的自適應性不好，抗干擾能力不強.針對傳統(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)絡高維離散數(shù)據(jù)特征檢測方法.首先采用云融合調(diào)度方法，分析雙冗余網(wǎng)絡高維離散數(shù)據(jù)的關聯(lián)規(guī)則信息，構建雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征融合模型；然后采用自適應特征匹配和模板集線性調(diào)度，實現(xiàn)對雙冗余網(wǎng)絡高維離散數(shù)據(jù)的統(tǒng)計特征分析，在機器學習算法和模糊度檢測方法的引導下，實現(xiàn)雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征檢測過程中的自適應尋優(yōu)、收斂性控制和優(yōu)化.最后進行仿真實驗測試，展示了本文方法在提高雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征檢測能力方面的優(yōu)越性.

1 雙冗余網(wǎng)絡高維離散數(shù)據(jù)分布結構和信息融合

1.1 雙冗余網(wǎng)絡高維離散數(shù)據(jù)分布結構模型

為了實現(xiàn)雙冗余網(wǎng)絡高維離散數(shù)據(jù)信息檢測，首先構建雙冗余網(wǎng)絡高維數(shù)據(jù)分布結構模型，結合子圖抽取和子圖結構分析的方法[6]，構建雙冗余網(wǎng)絡高維離散數(shù)據(jù)分布區(qū)域的相似圖結構，如圖1所示.

圖1 雙冗余網(wǎng)絡高維離散數(shù)據(jù)分布的相似圖結構

(1)

(2)

式中，N(u)={u0,u1,…,ui+k}為雙冗余網(wǎng)絡高維離散數(shù)據(jù)的分布節(jié)點匹配度，u是本體的關系相似性水平，i是離散數(shù)據(jù)節(jié)點數(shù)量.構建雙冗余網(wǎng)絡高維離散數(shù)據(jù)的分布結構模型，得到雙冗余網(wǎng)絡高維離散數(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)絡高維離散數(shù)據(jù)的節(jié)點出入度.采用邏輯單元編碼的方法構建雙冗余網(wǎng)絡高維離散數(shù)據(jù)傳輸信道均衡配置模型[8]，得到雙冗余網(wǎng)絡高維離散數(shù)據(jù)的分布式近融合Wi(i=0,1,…,n)，記錄知識點本體的編號，通過空間調(diào)度，得到雙冗余網(wǎng)絡高維離散數(shù)據(jù)檢測的尋優(yōu)模型滿足W0>0，采用云融合調(diào)度方法[9]，構建雙冗余網(wǎng)絡高維離散數(shù)據(jù)的自適應調(diào)度和特征融合模型，提高數(shù)據(jù)檢測的效能.

1.2 雙冗余網(wǎng)絡高維離散數(shù)據(jù)融合處理

采用學習資源本體數(shù)據(jù)融合分析的方法，構建雙冗余網(wǎng)絡高維離散數(shù)據(jù)的節(jié)點異構模型[10]，通過知識點本體簡化融合的方法[11]，得到雙冗余網(wǎng)絡高維離散數(shù)據(jù)的近似同構匹配輸出為

(5)

(6)

(7)

忽略雙冗余網(wǎng)絡高維離散數(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)絡高維離散數(shù)據(jù)的信息增量Δui+1，得到雙冗余網(wǎng)絡高維離散數(shù)據(jù)融合處理函數(shù)表示為

(8)

式中，Ts為雙冗余網(wǎng)絡高維離散數(shù)據(jù)的曲線插補周期，冗余網(wǎng)絡高維離散數(shù)據(jù)的統(tǒng)計信息量為u(ti)=ui,u(ti+1)=ui+1，根據(jù)上述計算結果，實現(xiàn)雙冗余網(wǎng)絡高維離散數(shù)據(jù)融合處理.通過自適應特征匹配和模板集線性調(diào)度，實現(xiàn)對雙冗余網(wǎng)絡高維離散數(shù)據(jù)的統(tǒng)計特征分析.

2 雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征檢測優(yōu)化

2.1 雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征提取

建立雙冗余網(wǎng)絡高維離散數(shù)據(jù)傳輸?shù)呢撦d分配模型，采用梯度信息特征分解的方法，得到雙冗余網(wǎng)絡高維離散數(shù)據(jù)的統(tǒng)計特征輸出為

(9)

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

在機器學習算法引導下，構建雙冗余網(wǎng)絡高維離散數(shù)據(jù)的自相關特征匹配集為

(10)

式中，rk表示雙冗余網(wǎng)絡高維離散數(shù)據(jù)的自適應匹配度，rD表示雙冗余網(wǎng)絡高維離散數(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)絡高維離散數(shù)據(jù)特征檢測模型，得到多徑特征分量表示為

(11)

式中，an(t)表示雙冗余網(wǎng)絡高維離散數(shù)據(jù)空間特征參數(shù)集.構建主網(wǎng)雙冗余網(wǎng)絡高維離散數(shù)據(jù)的Hash特征向量φ=(φ1,φ2,…,φn)，采用機器學習迭代控制，得到雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征提取的學習算子為

(12)

采用多維空間參數(shù)特征結合的方法構建雙冗余網(wǎng)絡高維離散數(shù)據(jù)空間重構模型，提取雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征進行模糊度檢測，實現(xiàn)雙冗余網(wǎng)絡高維離散數(shù)據(jù)的尋優(yōu)化輸出.

2.2 雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征模糊度檢測

在提取雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征的基礎上，通過模糊度特征信息提取方法，構建大數(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)絡高維離散數(shù)據(jù)的空間混淆度.根據(jù)雙冗余網(wǎng)絡高維離散數(shù)據(jù)的敏感度分量實現(xiàn)均衡控制，當m=1時，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)絡高維離散數(shù)據(jù)重復鄰域空間(t,f)內(nèi)，數(shù)據(jù)的離散調(diào)度分布為

(14)

(15)

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

(16)

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

(17)

根據(jù)以上算法構建雙冗余網(wǎng)絡高維離散數(shù)據(jù)的濾q1q2q1dq2d波檢測模型，完成雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征檢測過程中的自適應尋優(yōu)和收斂性控制，實現(xiàn)雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征檢測優(yōu)化，提高主網(wǎng)雙冗余網(wǎng)絡高維離散數(shù)據(jù)的信息飽和度.

3 仿真實驗與結果分析

為了驗證本文方法在實現(xiàn)雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征檢測的應用性能，進行仿真實驗，實驗中對雙冗余網(wǎng)絡高維離散數(shù)據(jù)采樣的序列長度為1024，參考序列的幀采樣帶寬為18 Bps，模糊度辨識參數(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)絡高維離散數(shù)據(jù)特征融合的時間間隔是2.56 s，自適應特征分布式融合的特征辨識頻率為35 KHz，根據(jù)上述參數(shù)設定，構建雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征檢測模型，得到雙冗余網(wǎng)絡高維離散數(shù)據(jù)輸出測試樣本如圖2所示.

圖2 雙冗余網(wǎng)絡高維離散數(shù)據(jù)測試樣本

以圖2的雙冗余網(wǎng)絡高維離散數(shù)據(jù)測試樣本為研究對象，實現(xiàn)對雙冗余網(wǎng)絡高維離散數(shù)據(jù)的譜特征提取檢測，得到檢測結果如圖3所示.

圖3 雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征檢測輸出

分析圖3得知，本文方法能有效實現(xiàn)雙冗余網(wǎng)絡高維離散數(shù)據(jù)的譜特征檢測，數(shù)據(jù)檢測的特征收斂性和聚類性較好.測試雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征檢測的準確概率，得到結果如圖4所示.

圖4 雙冗余網(wǎng)絡高維離散數(shù)據(jù)檢測概率測試

分析圖4得知，本文方法對雙冗余網(wǎng)絡高維離散數(shù)據(jù)檢測的準確概率較高，檢測檢測性能較好.

4 結語

本文提出基于模糊參數(shù)融合的雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征檢測方法.結合子圖抽取和子圖結構特征分析的方法，構建雙冗余網(wǎng)絡高維離散數(shù)據(jù)分布區(qū)域的相似圖結構，采用學習資源本體特征分析的方法，構建雙冗余網(wǎng)絡高維離散數(shù)據(jù)的節(jié)點異構模型，構建雙冗余網(wǎng)絡高維離散數(shù)據(jù)的濾波檢測模型，完成雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征檢測過程中的自適應尋優(yōu)和收斂性控制.研究得知，本文方法進行雙冗余網(wǎng)絡高維離散數(shù)據(jù)特征檢測的精度較高，檢測能力較好.