林海霞

摘要：嵌入式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)優(yōu)化訪問(wèn)的關(guān)鍵是對(duì)訪問(wèn)目標(biāo)數(shù)據(jù)的準(zhǔn)確推薦和挖掘，以實(shí)現(xiàn)數(shù)據(jù)的準(zhǔn)確檢索。提出一種基于模糊C均值聚類(lèi)的嵌入式數(shù)據(jù)庫(kù)并行推薦算法，構(gòu)建嵌入式數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)模型，進(jìn)行數(shù)據(jù)信息流屬性集特征提取。采用模糊C均值聚類(lèi)算法實(shí)現(xiàn)屬性分類(lèi)，以此實(shí)現(xiàn)嵌入式數(shù)據(jù)的庫(kù)并行推薦和挖掘。仿真結(jié)果表明，采用該算法進(jìn)行數(shù)據(jù)庫(kù)訪問(wèn)，精度較高，執(zhí)行時(shí)間較短，性能優(yōu)越。

關(guān)鍵詞：模糊C均值聚類(lèi)；嵌入式數(shù)據(jù)庫(kù)；數(shù)據(jù)挖掘

DOIDOI：10.11907/rjdk.161332

中圖分類(lèi)號(hào)：TP312

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2016）005-0050-03

0 引言

在嵌入式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)技術(shù)廣泛應(yīng)用的今天，嵌入式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)已經(jīng)成為互聯(lián)網(wǎng)、局域網(wǎng)和大規(guī)模集成系統(tǒng)的重要數(shù)據(jù)存儲(chǔ)介質(zhì)。嵌入式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)通過(guò)分布式云計(jì)算和云存儲(chǔ)方法進(jìn)行數(shù)據(jù)調(diào)度和管理，在嵌入式數(shù)據(jù)庫(kù)中，需要對(duì)網(wǎng)絡(luò)存儲(chǔ)介質(zhì)中的數(shù)據(jù)進(jìn)行有效地分類(lèi)管理和信息獲取，并對(duì)獲取的信息進(jìn)行有機(jī)分類(lèi)和聚合，以實(shí)現(xiàn)對(duì)嵌入式數(shù)據(jù)庫(kù)的準(zhǔn)確檢索和數(shù)據(jù)的并行挖掘。

傳統(tǒng)方法中，對(duì)嵌入式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)中的待檢索數(shù)據(jù)挖掘模型主要采用如高階累積量特征提取方法、時(shí)頻分析與特征提取方法、小波分析方法、支持向量機(jī)分類(lèi)挖掘算法等[1-3]。上述方法通過(guò)對(duì)嵌入式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行相空間重構(gòu)分析，在高維相空間中進(jìn)行數(shù)據(jù)的特征分類(lèi)和數(shù)據(jù)融合，以實(shí)現(xiàn)特定數(shù)據(jù)的典型性特征提取，達(dá)到數(shù)據(jù)匹配挖掘的目的，具有較好的應(yīng)用性能。但是傳統(tǒng)方法具有計(jì)算開(kāi)銷(xiāo)過(guò)大、抗干擾性不好等缺點(diǎn)，對(duì)此相關(guān)文獻(xiàn)進(jìn)行了算法改進(jìn)設(shè)計(jì)。其中，文獻(xiàn)[4]提出一種基于決策時(shí)分類(lèi)搜索引擎構(gòu)建的嵌入式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)中的數(shù)據(jù)挖掘和文本檢索方法，建立了嵌入式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)中的待推薦檢索數(shù)據(jù)的分布結(jié)構(gòu)和數(shù)據(jù)信息流模型，對(duì)數(shù)據(jù)信息流進(jìn)行抗干擾濾波處理，實(shí)現(xiàn)嵌入式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)的數(shù)據(jù)訪問(wèn)和挖掘。但上述方法在進(jìn)行數(shù)據(jù)挖掘過(guò)程中，采用關(guān)聯(lián)特征提取方法進(jìn)行數(shù)據(jù)庫(kù)特定數(shù)據(jù)推薦，在大規(guī)模數(shù)據(jù)分布和分布式云存儲(chǔ)數(shù)據(jù)的外界干擾下，數(shù)據(jù)挖掘的準(zhǔn)確度不高。針對(duì)上述問(wèn)題，本文提出一種基于模糊C均值聚類(lèi)的嵌入式數(shù)據(jù)庫(kù)并行推薦算法，構(gòu)建嵌入式數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)模型，進(jìn)行數(shù)據(jù)信息流屬性集特征提取。采用模糊C均值聚類(lèi)算法實(shí)現(xiàn)屬性分類(lèi)，以此實(shí)現(xiàn)嵌入式數(shù)據(jù)的庫(kù)并行推薦和挖掘。仿真結(jié)果表明，采用該算法進(jìn)行數(shù)據(jù)庫(kù)訪問(wèn)，精度較高。

1 嵌入式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)結(jié)構(gòu)與數(shù)據(jù)信息流模型構(gòu)建

1.1 嵌入式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)結(jié)構(gòu)分析

假設(shè)V=[v1，v2，….，vn]表示同階匹配的向量，即一個(gè)存儲(chǔ)調(diào)度方案。經(jīng)過(guò)模糊C均值聚類(lèi)結(jié)合Fourier變換，對(duì)嵌入式數(shù)據(jù)庫(kù)系統(tǒng)而言，vi代表第i個(gè)存儲(chǔ)狀態(tài)集合的資源節(jié)點(diǎn)，β為K-L特征壓縮系數(shù)。采用K-L變換進(jìn)行特征壓縮，在數(shù)據(jù)庫(kù)存儲(chǔ)空間進(jìn)行模糊C均值聚類(lèi)屬性特征重組的基礎(chǔ)上，在幅值穩(wěn)態(tài)下，使數(shù)據(jù)庫(kù)內(nèi)部的狀態(tài)和行為控制能力可以自動(dòng)運(yùn)作，并用計(jì)算機(jī)相關(guān)語(yǔ)言進(jìn)行控制管理。通過(guò)上述處理實(shí)現(xiàn)了對(duì)數(shù)據(jù)庫(kù)并行推薦算法的改進(jìn)，改進(jìn)算法實(shí)現(xiàn)流程如圖1所示。

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了測(cè)試本文設(shè)計(jì)的算法在實(shí)現(xiàn)嵌入式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)訪問(wèn)和并行數(shù)據(jù)推薦中的性能，進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)建立在Matlab仿真軟件程序基礎(chǔ)上，嵌入式數(shù)據(jù)庫(kù)的并行測(cè)試數(shù)據(jù)來(lái)自大型KDDP2015網(wǎng)絡(luò)數(shù)據(jù)庫(kù)，以8個(gè)通道數(shù)據(jù)為一個(gè)數(shù)據(jù)文件進(jìn)行數(shù)據(jù)采樣。在數(shù)據(jù)采樣過(guò)程中，系統(tǒng)的CPU主頻較低，各個(gè)通道數(shù)據(jù)的排列格式采用均勻分布排列。假設(shè)數(shù)據(jù)采樣的時(shí)間間隔為1.2s，頻帶為3～15 KHz，通過(guò)上述實(shí)驗(yàn)參數(shù)和環(huán)境描述，啟動(dòng)VISA資源管理器進(jìn)行數(shù)據(jù)加載，并進(jìn)行仿真，得到原始數(shù)據(jù)庫(kù)采樣信息流波形如圖2所示。

由圖2可見(jiàn)，原始的嵌入式數(shù)據(jù)庫(kù)信息流受干擾較大， 難以實(shí)現(xiàn)準(zhǔn)確訪問(wèn)。采用模糊C均值聚類(lèi)算法進(jìn)行數(shù)據(jù)聚類(lèi)處理，得到模糊C均值聚類(lèi)后的數(shù)據(jù)輸入如圖3所示。

由圖3可見(jiàn)，采用本文方法進(jìn)行數(shù)據(jù)庫(kù)的信息流聚類(lèi)處理，有效提高了待檢索數(shù)據(jù)的推薦能力，提高了數(shù)據(jù)庫(kù)訪問(wèn)精度。為了對(duì)比算法性能，采用本文算法和傳統(tǒng)算法，以數(shù)據(jù)庫(kù)并行推薦訪問(wèn)的收斂度為測(cè)試指標(biāo)，得到性能對(duì)比結(jié)構(gòu)如圖4所示。由圖可見(jiàn)，采用本文算法，收斂性較好，執(zhí)行時(shí)間較短，數(shù)據(jù)庫(kù)訪問(wèn)和檢索數(shù)據(jù)推薦的準(zhǔn)確度較高。

參考文獻(xiàn)：

[1]王曉初，王士同，包芳，等.最小化類(lèi)內(nèi)距離和分類(lèi)算法[J].電子與信息學(xué)報(bào)，2016，38（3）：532-540.

[2]WU X，ZHU X，WU G，et al.Data mining with big data[J]. IEEE Transactions on Knowledge and Data Engineering，2014，26（1）：97-107.

[3]王永貴，李鴻緒，宋曉.MapReduce模型下的模糊C均值算法研究[J].計(jì)算機(jī)工程，2014，40（10）：47-51.

[4]GU R，YANG X，YAN J，et al.SHadoop：improving MapReduce performance by optimizing job execution mechanism in Hadoop clusters[J].Journal of Parallel and Distributed Computing，2014，74（3）：2166-2179.

[5]GU R，HU W，HUANG Y H.Rainbow：a distributed and hierarchical RDF triple store with dynamic scalability[C].Proceedings of the 2014 IEEE International Conference on Big Data. Washington，DC：IEEE Computer Society，2014：561-566.

（責(zé)任編輯：黃 ?。?/p>