基于規(guī)則引擎的多傳感器異步通信信息分類方法研究

陳海燕

(江蘇安全技術(shù)職業(yè)學院 網(wǎng)絡(luò)與信息安全學院，江蘇 徐州 221011)

要對海量傳感器異步通信信息進行準確分類，應該先排除多傳感器異步信息領(lǐng)域之外的無用信息，如環(huán)境干擾信息等，節(jié)省獲取信息的時間和花銷，提升分類質(zhì)量[1]。目前可應用于信息分類的算法眾多，如支持向量機、決策樹等，在20世紀中期，國外就開始研究信息分類，其研究過程可分為3個階段：首先對通信信息分類技術(shù)展開可行性論證分析；其次對通信信息分類工作進行相關(guān)實驗研究；最后在信息分類和過濾方面進行實用化分析，開發(fā)了比較成功的信息分類系統(tǒng)[2]。國內(nèi)對多傳感器異步通信信息分類的研究，主要是將信息分類相關(guān)理論引入到多傳感器異步通信信息分類[3]中，分為可行性分析、信息輔助分類和自動分類。如李湘東等[4]以概率主題模型為書目信息的表示模型，以信息的文本結(jié)構(gòu)和分類能力實現(xiàn)特征加權(quán)策略，將特征加權(quán)策略融合到概率主題模型當中，實現(xiàn)了數(shù)目信息的分類；謝彬[5]運用語義網(wǎng)絡(luò)對輿情信息建立了分類模型，通過節(jié)點在網(wǎng)絡(luò)中的映射值對輿情信息進行描述，利用概念之間存在的映射關(guān)系獲取增益，增強輿情信息主體的顯著度，實現(xiàn)輿情信息的分類。結(jié)果表明，該分類方法的分類效果適合實際應用。

基于以上背景，本文將規(guī)則引擎應用到設(shè)計中，以提升分類效果。先以時間尺度為標準采集多傳感器異步通信信息，對信息進行降維，提取信息熵，得到評價函數(shù)的改進設(shè)計。然后計算信息權(quán)重，改進信息分類算法，實現(xiàn)其信息的分類。最后通過實驗驗證本文方法的分類效果。

1 異步通信信息分類方法

本次研究信息分類步驟如圖1所示。

圖1 信息分類流程

多傳感器異步通信信息分類流程主要分為3部分，先對信息進行降維處理，然后確定信息的分類類別，完成其分類規(guī)則的確定，最后對分類算法進行改造，實現(xiàn)模糊分類，提升其分類精度。

1.1 降維處理信息

在對信息處理分類過程中，隨著空間高維性和向量稀疏性的不斷變化，通信信息的精確度以及效率性也會隨之發(fā)生改變。因此，為了提高信息分類的準確性和精確度、提升分類處理的效率，需要運用降維處理技術(shù)來縮小信息的特征集。降維處理技術(shù)[6-7]以特征抽取和特征選擇為中心，通過特征函數(shù)將通信信息投射或者映射到相應的特征空間內(nèi)，抽取特征空間內(nèi)信息值并進行評選估量，選擇結(jié)果中最具有代表性的特征集來作為信息的特征參考值。

1)信息頻率

信息頻率是在特征集中選定的特征詞的信息集合總數(shù)。根據(jù)特征函數(shù)計算每個特征詞的信息頻率。通過設(shè)定信息頻率的范圍來選定特征詞，信息頻率計算方法為：

(1)

式中：tn表示特征詞；n表示在信息集中出現(xiàn)的次數(shù)；N表示信息的總詞匯數(shù)。

2)互信息

互信息描述的是隨機變量在相互作用下產(chǎn)生的強弱關(guān)系[8]。信息度量函數(shù)J(f)是互信息特征選擇過程中的重點內(nèi)容，其主要作用是對特征類別、特征子集和特征關(guān)鍵詞對應的相關(guān)性進行計算。特征詞在特征子集中對應的相關(guān)性與特征類別、特征子集之間的相關(guān)性呈反比。特征詞t和類別ci的互信息公式為：

(2)

式中：m表示信息類別數(shù)；p(ci)表示信息類別ci的概率；p(t,ci)表示類別ci中包含特征詞t的概率；p(t)表示特征詞t對應的概率；p(ci)表示類別ci中包含信息的概率。

利用上述降維處理方式，在規(guī)則引擎的基礎(chǔ)上，以時間尺度為標準，搜索信息，時間間隔設(shè)置為5 s，統(tǒng)計5 s內(nèi)發(fā)出的信息，由此建立了信息熵數(shù)學模型：

f=[(t1,n1,x1),(t2,n2,x2),…,(ti,ni,xi)]。(3)

式中：f表示按照時間段得到的信息；t表示5 s的時間間隔；n表示在5 s時間間隔內(nèi)出現(xiàn)的信息量；x表示信息內(nèi)容；(ti,ni,xi)表示信息內(nèi)容xi的信息數(shù)量ni在ti時間間隔內(nèi)接收到的數(shù)量。

一旦規(guī)則引擎不再適用，時間間隔就會設(shè)定為15 s，獲取信息f，計算信息f的信息熵：

(4)

式中：k表示信息初始狀態(tài)數(shù)量；p(r)表示初始狀態(tài)下信息出現(xiàn)的概率。

1.2 改進信息分類算法

在信息處理完畢之后，需要對每一個信息特征賦予一個權(quán)值，來表示該信息的重要性。利用信息特征評價函數(shù)[9-10]ω(tk,d)計算信息的權(quán)重，評價函數(shù)為：

(5)

在信息分類算法改進過程中，考慮到特征項tk出現(xiàn)的位置，提出了改進的評價函數(shù)：

(6)

式中：w(tk)表示特征項tk在信息庫中的權(quán)重系數(shù)；wk表示特征項tk在不同位置的參數(shù)。

信息分類時，首先進行分詞處理，將信息特征提取和向量處理表示為：X(X1,X2,X3,…,Xn;W1,W2,W3,…,Wn)。其中：X表示信息特征詞；W表示信息特征詞的權(quán)重。

分詞處理[11-12]完畢后，對信息進行向量化處理，并分別計算出信息屬于每一個類別的概率。通過比較分類概率的大小，將信息分到概率值較大的類別中。全概率分類公式為：

(7)

對于條件獨立性假設(shè)之后的信息向量，利用式(8)進行概率計算：

(8)

信息分類算法是利用待分類信息特征項tk，在信息集中出現(xiàn)的概率乘積，來計算信息數(shù)據(jù)某一個類別的概率。但由于信息垃圾特征項的出現(xiàn)，容易使算法出現(xiàn)計算極端的現(xiàn)象。接下來通過信息分類流程，來實現(xiàn)信息的分類。

1.3 分類信息

對信息進行降維處理和分割處理后，需要再根據(jù)甄選出的特征詞具有的典型特征，利用模糊理論[13-14]對通信信息進行分類處理，基于規(guī)則引擎信息技術(shù)按照不同種類對應的特征詞進行信息分類操作,步驟如下：

Step1：分化實驗結(jié)果。首先需進行多次實驗，在得出的實驗結(jié)果中選定最佳數(shù)值范圍，將不同種類逐漸分化，設(shè)定分類數(shù)值。

Step2：類別區(qū)分。根據(jù)甄選出特征詞的典型特征，創(chuàng)建出合適的引擎規(guī)則。模糊區(qū)分種類，充分利用典型信息特征挑選出最優(yōu)隸屬函數(shù)。

Step3：模糊過程。運用模糊理論對通信信息進行分類處理。根據(jù)典型信息特征模糊選定對象，代入隸屬函數(shù)公式，求取選定對象的模糊化數(shù)值，再通過對象的模糊化數(shù)值計算出該選定對象的隸屬度。

Step4：反模糊過程。反模糊過程表示模糊過程的相反狀態(tài)，求取分類出選定對象隸屬于哪一特征。反模糊過程需要遵循最大隸屬原則[15]和最貼近度原則。最大隸屬原則是對選定對象在模糊集中對應的特征值進行計算，根據(jù)計算結(jié)果獲取特征值在不同類別中的隸屬度，根據(jù)隸屬度計算結(jié)果確定分割對象的類別特征。最貼近度原則是根據(jù)子集之間的相似度確定對象的類別特征。

最大隸屬原則：

設(shè)C1,C2,C3,…,Cn為R的子集，obj表示信息特征元素，如果存在：

fobj=max{μc1(obj),μc2(obj),…,μcn(obj)}。

(9)

則obj∈Ci，說明信息屬于Ci類別。

Step5：精度分類評估。如果求取結(jié)果符合整個流程操作，則輸出并顯示結(jié)果，如果不符合，則需要重復步驟2。

2 實驗對比分析

2.1 設(shè)置實驗參數(shù)

信息分類效果對比試驗參數(shù)設(shè)置如表1所示。

表1 試驗參數(shù)

2.2 信號干擾條件下信息分類效果對比試驗

干擾信號會嚴重影響信息的分類。采用基于復合加權(quán)LDA模型的信息分類方法(方法1)、基于語義網(wǎng)絡(luò)的信息分類方法(方法2)以及本方法來對信息進行分類，分析了3種方法受到信號干擾的信息狀態(tài)，如圖2所示。

圖2 干擾條件下3種方法的信號狀態(tài)對比

圖2可以看出基于規(guī)則引擎方法獲取的信號波動幅度與實際信號波動的趨勢一致。

根據(jù)信號狀態(tài)對比，將3種信息分類方法的分類效果進行對比分析，得到信號干擾下分類效果對比結(jié)果，如表2所示。

表2 信號干擾下3種方法的分類效果對比

從表2可以看出，在信號干擾下，方法1的過程較為繁瑣，在分類過程中易出現(xiàn)誤差，降低了分類效果；方法2在設(shè)計分類算法時，直接建立了信息分類模型，缺乏信息的預處理步驟，使信息分類效果變差。而本方法在預處理信息的同時，還利用信息分類算法，統(tǒng)計出信息的類別，提高了分類效果。

2.3 環(huán)境干擾條件下信息分類效果對比試驗

環(huán)境干擾對信息分類也會造成一定影響。將方法1、方法2以及本方法的分類效果進行對比，結(jié)果如圖3所示。

圖3 環(huán)境干擾下分類效果對比

從圖3可以看出，方法1在環(huán)境干擾等級超過3級時，信息分類效果明顯變差，可能是環(huán)境干擾超過3級后，會遭到傳感設(shè)備發(fā)電機、雷擊以及無線通信等多方面環(huán)境影響，減弱了信息分類的效果；方法2與實際信號的分類效果比較接近，但分類過程中仍然會受到無線通信環(huán)境的干擾，使信息分類效果變差；而本方法的分類效果最好，基本不會受到環(huán)境的影響，并與實際信號的分類效果非常接近。

基于以上實驗結(jié)果，無論是在信號干擾下還是環(huán)境干擾下，本方法遠遠好于其他分類方法。

3 結(jié)語

為提高多傳感器異步通信信息分類效果，本文提出了基于規(guī)則引擎的信息分類方法。先以時間尺度為標準完成信息檢索，對其進行降維，得到其評價函數(shù)的改進設(shè)計。然后完成信息改進權(quán)重的計算，對其信息分類方法進行改進，實現(xiàn)信息分類流程設(shè)計，最后通過實驗證明本文研究的實用性。實驗結(jié)果顯示，該方法具有較強的分類效果，分類效果為80%以上，明顯優(yōu)于對比方法。雖然本方法具有一定先進性，但是還缺乏對冗余信息的分類，這也是未來的研究方向。