岑舉旭

摘要：為了對(duì)等離子體電子密度分布信息進(jìn)行優(yōu)化提取，提出等離子體電子密度分布信息提取方法.構(gòu)建等離子體電子密度分布信息存儲(chǔ)結(jié)構(gòu)模型，對(duì)等離子體電子密度分布信息的大數(shù)據(jù)結(jié)構(gòu)重組，通過(guò)峰度統(tǒng)計(jì)量特征提取和信息聚類(lèi)和特征提取輸出，對(duì)信息算法進(jìn)行優(yōu)化，從而完成等離子體電子密度分布信息提取方法研究.實(shí)驗(yàn)表明，采用該方法進(jìn)行等離子體電子密度分布信息提取的準(zhǔn)確性較高，聚類(lèi)性較好.

關(guān)鍵詞：等離子體;電子密度;分布信息;特征提取;聚類(lèi)

中圖分類(lèi)號(hào)：TN911.7 ?文獻(xiàn)標(biāo)識(shí)碼：A ?文章編號(hào)：1673-260X（2019）05-0013-04

對(duì)等離子體電子密度分布信息的提取本質(zhì)上是進(jìn)行分部信息的結(jié)構(gòu)重組和狀態(tài)特征監(jiān)測(cè)基礎(chǔ)上，采用狀態(tài)空間識(shí)別和大數(shù)據(jù)回歸分析方法，進(jìn)行信息重組和識(shí)別，構(gòu)建等離子體電子密度分布信息存儲(chǔ)分布結(jié)構(gòu)模型[1-2]，采用空間狀態(tài)評(píng)估方法進(jìn)行等離子體電子密度分布信息特征提取.文獻(xiàn)[3]中提出一種基于屬性特征匹配和關(guān)聯(lián)規(guī)則調(diào)度的等離子體電子密度分布信息特征提取算法.構(gòu)建等離子體電子密度分布信息的屬性特征高維重組空間模型，在屬性特征高維重組空間進(jìn)行信息重構(gòu)，提高了特征提取的準(zhǔn)確性，但該方法的計(jì)算開(kāi)銷(xiāo)較大，對(duì)分布信息的檢測(cè)識(shí)別能力不好.文獻(xiàn)[4]中提出一種基于加權(quán)輪詢算法（Weighted Round Robin，WRR）的等離子體電子密度分布信息特征提取方法，采用資源信息負(fù)載均衡調(diào)度方法進(jìn)行等離子體電子密度分布信息特征提取，提高信息優(yōu)化調(diào)度和檢測(cè)能力，但該方法進(jìn)行信息提取的抗干擾性不好[5].針對(duì)上述問(wèn)題，本文提出一種基于峰度統(tǒng)計(jì)量特征提取的等離子體電子密度分布信息提取方法.

1 信息分布存儲(chǔ)結(jié)構(gòu)模型及大數(shù)據(jù)建模

1.1 等離子體電子密度分布信息存儲(chǔ)結(jié)構(gòu)模型

為了實(shí)現(xiàn)等離子體電子密度分布信息的準(zhǔn)確提取，采用三層體系結(jié)構(gòu)模型進(jìn)行等離子體電子密度分布信息的分布式存儲(chǔ)結(jié)構(gòu)分析.構(gòu)建等離子體電子密度分布信息的存儲(chǔ)網(wǎng)格模型，采用網(wǎng)格聚類(lèi)方法進(jìn)行等離子體電子密度分布信息的自適應(yīng)結(jié)構(gòu)重組和信息分類(lèi)識(shí)別[6]，提取等離子體電子密度分布信息的自適應(yīng)頻譜分布特征量，根據(jù)譜分析結(jié)果采用分組樣本檢測(cè)方法進(jìn)行等離子體電子密度分布信息的特征提取和分組檢測(cè)[7]，得到等離子體電子密度分布信息的存儲(chǔ)結(jié)構(gòu)模型如圖1所示.

3 仿真實(shí)驗(yàn)分析

為了驗(yàn)證本文設(shè)計(jì)的等離子體電子密度分布信息提取方法的應(yīng)用性能，進(jìn)行仿真實(shí)驗(yàn)，采用Matlab進(jìn)行仿真程序設(shè)計(jì)，構(gòu)建的等離子體電子密度分布的數(shù)據(jù)存儲(chǔ)和采集模型，對(duì)等離子體電子密度分布信息采樣的時(shí)間長(zhǎng)度為1000s，采樣點(diǎn)數(shù)為3000，等離子檢測(cè)的電平脈沖的頻率為12KHz，在不同信噪比下等離子體電子密度分布的尺度信息和頻帶見(jiàn)表1.

根據(jù)上述仿真參數(shù)設(shè)定，進(jìn)行等離子體電子密度分布信息提取，得到采集的原始等離子體電子密度分布信息數(shù)據(jù)如圖3所示.

以圖3的數(shù)據(jù)信息為輸入，提取峰度統(tǒng)計(jì)量特征，實(shí)現(xiàn)等離子體電子密度分布信息的優(yōu)化提取，得到提取結(jié)果如圖4所示.

分析圖4得知，采用本文方法能有效實(shí)現(xiàn)等離子體電子密度分布信息提取，根據(jù)特征分解結(jié)果實(shí)現(xiàn)等離子體電子密度分布信息的回歸分析和融合聚類(lèi)，提高等離子體電子密度分布信息的自動(dòng)提取和分類(lèi)能力，提取的準(zhǔn)確性高于傳統(tǒng)方法13.5%，時(shí)間開(kāi)銷(xiāo)縮短42.9%.

4 結(jié)語(yǔ)

本文提出一種基于峰度統(tǒng)計(jì)量特征提取的等離子體電子密度分布信息提取方法.構(gòu)建等離子體電子密度分布信息的大數(shù)據(jù)分布模型，采用分布式結(jié)構(gòu)重組方法進(jìn)行等離子體電子密度分布信息的數(shù)據(jù)結(jié)構(gòu)重組設(shè)計(jì)，根據(jù)數(shù)據(jù)集分布形態(tài)進(jìn)行等離子體電子密度分布信息的子空間重構(gòu)，提取等離子體電子密度分布信息的相關(guān)譜特征量，結(jié)合小波尺度分解方法進(jìn)行等離子體電子密度分布信息的多維特征分解，根據(jù)特征分解結(jié)果實(shí)現(xiàn)等離子體電子密度分布信息的回歸分析和融合聚類(lèi)，提高等離子體電子密度分布信息的自動(dòng)提取和分類(lèi)能力，根據(jù)提取結(jié)果實(shí)現(xiàn)等離子體電子密度分布信息的結(jié)構(gòu)重組.分析得知，采用本文方法能有效實(shí)現(xiàn)等離子體電子密度分布信息提取，性能較好.

參考文獻(xiàn)：

〔1〕唐慧娟，郝曉劍，胡曉濤，等.激光誘導(dǎo)Cu等離子體光譜時(shí)間演化特性研究[J].激光與紅外，2018，48（11）：1341-1345.

〔2〕許東華，宋超，趙上勇，等.磁約束飛秒激光誘導(dǎo)銅等離子體特性研究[J].光子學(xué)報(bào)，2018，47（08）：88-94.

〔3〕LI Ani， ZHANG Xiao， ZHANG Boyang， LIU Chunyi， ZHAO Xiaonan. Research on performance evaluation method of public cloud storage system. Journal of Computer Applications， 2017， 37（5）： 1229-1235.

〔4〕LIN J M， BAN W J， WANG J Y， et al. Query optimization for distributed database based on parallel genetic algorithm and max-min ant system[J]. Journal of Computer Applications， 2016， 36（3）：675-680.

〔5〕ZHOU X P， ZHANG X F， ZHAO X N. Cloud storage performance evaluation research[J]. Computer Science， 2014， 41（4）：190-194.

〔6〕QI C Y， LI Z H， ZHANG X， et al. The research of cloud storage system performance evaluation[J]. Journal of Computer Research and Development， 2014， 51（S1）：223-228.

〔7〕湯可宗，李慧穎，李娟，等.一種求解復(fù)雜優(yōu)化問(wèn)題的改進(jìn)粒子群優(yōu)化算法[J].南京理工大學(xué)學(xué)報(bào)，2015，39（4）：386-391.

〔8〕詹譚，博馳.一種分布式智能型無(wú)功補(bǔ)償系統(tǒng)研究[J].自動(dòng)化與儀器儀表，2017，（12）：50-52.

〔9〕LI N， YU Y， ZHOU Z H. Diversity regularized ensemble pruning[C]//Proceedings of the 2012 Joint European Conference on Machine Learning and Knowledge Discovery in Databases， LNCS 7523. Berlin：Springer， 2012：330-345.

〔10〕PARVIN H， MIRNABIBABOLI M， ALINEJAD-ROKNY H. Proposing a classifier ensemble framework based on classifier selection and decision tree[J]. Engineering Applications of Artificial Intelligence， 2015， 37：34-42.

〔11〕陸安南，尤明懿.相位干涉儀測(cè)向模糊與誤差統(tǒng)計(jì)分析[J].中國(guó)電子科學(xué)研究院學(xué)報(bào)，2018，13（1）：42-46.

〔12〕武騰，劉增，劉進(jìn)軍，等.基于小交流信號(hào)下垂的微網(wǎng)二次控制方法[J].電源學(xué)報(bào)，2018，16（3）：62-69.

〔13〕李程，毛保全，白向華，李俊.磁約束下等離子體的傳熱與流動(dòng)特性仿真[J].裝甲兵工程學(xué)院學(xué)報(bào)，2018，32（04）：69-73.

〔14〕柯于俊，孫新鋒，陳學(xué)康，等.前極靴長(zhǎng)度對(duì)電子回旋共振離子推進(jìn)器影響的數(shù)值仿真[J].科學(xué)技術(shù)與工程，2018，18（20）：340-346.

〔15〕王金梅，鄭慧娟，鄭培超，等.正交再加熱雙脈沖激光誘導(dǎo)黃連等離子體的光譜特性[J].中國(guó)激光，2018，45（07）：92-99.