多源異構數據邊緣融合信息化監(jiān)測仿真

盛麗華,沈 暉

(南通大學信息化中心,江蘇 南通 226019)

1 引言

多源異構信息作為社會經濟活動中大量出現的非結構化、非標準化數據資源,對監(jiān)測結果采集和分析有著至關重要的作用。由于計算機技術和互聯網的不斷進步,各項系統(tǒng)的結構日益復雜。系統(tǒng)內部數據類型開始復雜化和多樣化,如何準確監(jiān)測多源異構數據是現階段研究的熱點話題[1-2]。

國內相關專家針對上述內容展開了大量研究,例如涂夢昭等人[3]分析地下水存水量的變化趨勢,構建利用GRACE衛(wèi)星數據校準水文模型,通過模型完成地下儲水量監(jiān)測。王周虹等人[4]將網分裝置采集的信息上調至調控主站,通過變電站內各種類型的配置描述文件,構建調控交互數據監(jiān)測模型,利用信息之間的關聯度將離散報文匹配分析處理,最終實現交互數據的監(jiān)測。王軍飛等人[5]主要通過PS點選取方法提取邊坡數據特征,通過相干系數初選PS點,同時剔除極限誤差點,最終獲取PS點,實現數據監(jiān)測。

在上述幾種監(jiān)測方法的基礎上,提出一種基于邊緣計算的多源異構數據融合信息化監(jiān)測方法。實驗結果表明,所提方法的實時性和監(jiān)測性能均得到明顯改善。

2 方法

2.1 多源異構數據預處理

半參數回歸模型主要是由參數分量和非參數分量共同組成,具有比較強的解釋能力。多源異構數據由于存在非線性誤差,所以可以將觀測模型表示為式(1)的形式:

s=Ha+s(t)+u

(1)

式中,s(t)代表和時間存在關聯的函數,即非線性函數;Ha代表半參數回歸模型;u代表多源異構數據中的噪聲;s代表觀測模型。

通過獲取的多源異構數據,估計得到非線性函數對應的值,利用觀測值減去全部線性值,進而構建觀測模型為:

(2)

為了獲取更加滿意的去噪效果,引入小波閾值收縮法去噪處理。由于小波變換中的正變換具有比較強的相關性,可以有效分解信號的能量,獲取信號在小波域集合中的小波系數。將半參數回歸模型引入到小波閾值收縮方法中,將其應用于多源異構數據預處理中[6-7],詳細的操作步驟如下所示:

1)對于全部的多源異構數,通過最小二乘多項式擬合處理,獲取對應的擬合值集合D,如式(3)所示:

(3)

2)計算全部多源異構數據對應的殘差值,如式(4)所示:

τ(x,y)=D·sgn(ω)-β(x,y)*s(t)

(4)

式中,τ(x,y)代表多源異構數據的殘差值;ω代表噪聲標準方差;β(x,y)代表半軟閾值。

3)檢驗步驟2)獲取的殘差值是否為白噪聲序列,假設是,則直接跳轉至步驟5);反之,則繼續(xù)下一步。

4)選取Daubechies小波對多源異構數據殘差序列分解處理,獲取小波系數。為了有效避免傳統(tǒng)閾值方法存在的不足,引入半軟閾值方法對多源異構數據預處理,采用Daubechies小波對去噪后的小波系數重構處理,進而估計出對應的非線性函數,同時跳轉至步驟1)。

5)輸出擬合值,完成多源異構數據預處理[8-9]。

2.2 多源異構數據融合

分析邊緣計算的相關定義和技術特點,可以有效解決多源異構數據融合問題。優(yōu)先給出多源異構數據標準化處理的詳細操作步驟:

1)將采集到的多源異構數據通過時序特征分解處理,將B作為標準轉換的輸入,設定B以矩形的形式存在,如式(5)所示:

(5)

2)對多源異構數據的形成特點展開深入分析,融合全部類型的數據,進而完成數據變換處理,根據數據的類型制定對應的廣義冪-標準分數標準化變換方案,即:

①假設B是以向量的形式存在,則可以直接得到變換處理后的向量結果;

②假設B的存儲形式為矩陣,需要采用列向量計算全部數據的均值和標準差,對兩者標準化處理,即可獲取對應的結果矩陣;

③假設B的表現形式為多維數組,則需要根據維度信息對數據求解,得到與之對應的均值和標準差,對兩者標準化處理,即可獲取高維數據組。

3)將B采用廣義冪-標準分數數據展開標準化處理B′,對應的矩陣為:

(6)

4)通過選定的多源異構數據處理方案對數據迭代處理,同時重復步驟2)和步驟3),完成迭代處理之后,將全部匯聚數據變換處理。

5)在完成多源異構數據的量綱和量級處理處理后,全部數據的格式均為統(tǒng)一的,可以將其直接傳輸到系統(tǒng)內存儲,主要是為了簡化后續(xù)多源異構數據的融合步驟,當全部數據完成標準化處理后,則停止計算。

在邊緣計算模式下,多源異構數據的融合處理主要包含三個步驟,分別為:

1)信息融合處理;

2)狀態(tài)評估方法;

3)關聯決策。

(7)

式中,cm代表測試數據集;m代表測試數據集總數;t代表數據采集時間;E(u)代表隨機兩個成分之間的沖突程度。

多源異構數據融合的操作步驟如下所示:

1)對多源異構數據屬性子集展開概率初始化處理,將R設定為多源異構數據融合模型的框架,則函數u:2u→[0,1]需要滿足以下約束條件:

(8)

式中,u(A)代表多源異構數據之間的信任程度。

2)根據步驟1)設定的約束條件可以獲取信任函數Bel(A),如式(9)所示:

(9)

式中,u(B)代表全部子集分配概率值之和;A和B代表不同的多源異構數據融合集合。

3)設定多源異構數據融合似然函數,以此為依據確定全部數據特征屬性的信任程度值。其中,數據屬性成分對應的可信度ρ(a)可以采用式(10)計算:

(10)

4)計算多源異構數據融合的信任空間,進而獲取信任函數和似然函數之間的關系表達式,如式(11)所示:

(11)

式中,τ(a)代表信任函數;pl(a)代表多源異構數據的特征度量結果;?(a)代表似然函數。

5)通過構建的多源異構數據融合框架確定數據合成規(guī)則,根據不同源中數據特征屬性索引完成特征級數據融合處理,最終完成數據融合處理[10-11]。

2.3 信息化監(jiān)測

在完成多源異構數據的預處理和融合處理之后,采用隱半馬爾可夫模型展開數據信息化監(jiān)測。隱半馬爾可夫模型是一種操作簡單且效率高的隨機模型,在各個研究領域內都得到了十分廣泛的應用。

隱半馬爾可夫模型ψ是由一個三元組成的,對應的表達式如式(12)所示:

ψ=(r,M,Z)

(12)

式中,r代表系統(tǒng)的初始狀態(tài)概率;Z代表狀態(tài)集合;M代表狀態(tài)空間的轉移概率矩陣,如式(13)所示:

(13)

在系統(tǒng)的調用序列中,可以將不同數據的排列組合看做是模型的不同狀態(tài)。在數據使用過程中,需要更好完成數據的轉換和銜接等操作,為后續(xù)的數據監(jiān)測提供一定的數據支撐[12-13]。

將提取的特征向量設定為隱半馬爾可夫模型的狀態(tài),則狀態(tài)和轉移可表示為圖1的形式:

圖1 隱半馬爾可夫模型狀態(tài)及轉移圖

隱半馬爾可夫模型中的狀態(tài)轉移矩陣和初始分布可以通過對歷史數據的觀察得到。在訓練數據中,為了完成數據的拓展,則隱半馬爾可夫模型的狀態(tài)轉移概率為:

1)必要狀態(tài)下的狀態(tài)轉移概率?ij可以表示為式(14)的形式:

(14)

式中,Qij代表狀態(tài)i向狀態(tài)j轉移的概率;Nij代表狀態(tài)i向狀態(tài)j轉移的總次數;ε代表必要狀態(tài)。

2)補充狀態(tài)下的狀態(tài)轉移概率如式(15)所示:

?i(u,v)={Qij-ε}·Nij

(15)

隨著多源異構數據的長度持續(xù)增加,經過計算可以得到各個觀測序列的取值概率。但是在正常狀態(tài)下,概率值會越來越小,無法將概率取值作為判斷觀測序列是否正常的依據。所以,需要對長度完全一致的觀測序列展開監(jiān)測更加有意義。

為了方便多源異構數據融合信息化監(jiān)測,可使用以下的遞推公式L(s):

(16)

式中,tu,v代表滑動窗口;對于滑動窗口而言,需要滿足以下條件:

1)確定性:

對數據集訓練處理,得到各個數據集對應的狀態(tài)量,確保各個狀態(tài)量在訓練數量增加的情況下不會發(fā)生任何變化。

2)隨機性:

將狀態(tài)設定為變量,通過一種隨機規(guī)則可以較好描述系統(tǒng)調用的隨機性。

通過對隱半馬爾可夫模型[14-15]的分析,建立和進程對應的隨機模型,將研究系統(tǒng)內對應的調用序列設定為一個隨機信號,全部信號均來自設定的信號源,同時進程具有特定的功能。由于大部分信號離散源是有記憶的,所以可以采用具有時間規(guī)律的條件熵展開衡量,同時設定隱半馬爾可夫模型的狀態(tài)序列長度H(x,y),對應的計算式為:

(17)

完成上述操作之后,將融合處理后的數據輸入到隱半馬爾可夫模型中,實現多源異構數據融合信息化監(jiān)測。

3 實驗分析

為了驗證基于邊緣計算的多源異構數據融合信息化監(jiān)測(所提方法)的有效性,分別采取參考文獻[3]方法與參考文獻[4]方法做對比。實驗選取Windows 2015作為實驗平臺,數據庫為SQL,對應的組成架構如圖2所示。

圖2 實驗架構示意圖

采用不同方法對數據監(jiān)測實時性展開測試處理,實驗測試結果如圖3所示。

圖3 不同方法的數據監(jiān)測實時性測試結果對比

分析圖3中的實驗數據可知,各個方法的數據監(jiān)測實時性會隨著時間的變化而變化。在三種方法,所提方法的多源異構數據融合信息化監(jiān)測實時性百分比均處于95%以上,而參考文獻[3]方法與參考文獻[4]方法的檢測實時百分比在75%～80%之間,所提方法的實時性明顯優(yōu)于其它兩種方法。

為了驗證所提方法的監(jiān)測性能,在設定時間內分析采用各個方法獲取的多源異構數據融合信息化監(jiān)測結果,實驗結果如圖4所示。

圖4 不同方法的多源異構數據融合信息化監(jiān)測結果對比

由圖4中的實驗數據可知,采用不同方法對多源異構數據融合信息化監(jiān)測處理,經過對比分析證明,采用所提方法獲取監(jiān)測結果與實際值一致,而另外兩種方法獲取的監(jiān)測結果和真實值存在較大誤差。因此可以得出,所提方法的監(jiān)測結果更加精準。

4 結束語

為了準確監(jiān)測融合處理后的數據變化情況,提出一種基于邊緣計算的多源異構數據融合信息化監(jiān)測。采用小波閾值去噪方法對多源異構數據預處理,消除其線性誤差。構建多源異構數據融合架構,完成數據融合處理,并將其輸入到隱半馬爾可夫模型中,實現多源異構數據融合信息化監(jiān)測。經過實驗測試證明,所提方法可以獲取高精度的監(jiān)測結果,且監(jiān)測實時性明顯優(yōu)于其它方法。在后續(xù)研究過程中,對所提方法展開更加全面的優(yōu)化處理,可以進一步增加多源異構數據來源的廣度,例如監(jiān)測對象的聲音信號以及生產計劃等,充分利用多源異構數據的優(yōu)勢。