韓高峰

（安徽文達(dá)信息工程學(xué)院計(jì)算機(jī)工程學(xué)院，安徽合肥230000）

隨著異構(gòu)網(wǎng)絡(luò)規(guī)模的不斷擴(kuò)大，異構(gòu)網(wǎng)絡(luò)中多源目標(biāo)數(shù)據(jù)數(shù)量也逐漸增多，因此，需對(duì)異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)進(jìn)行可視化重構(gòu)和融合跟蹤識(shí)別，保證網(wǎng)絡(luò)的穩(wěn)定性[1]。通常，在對(duì)異構(gòu)網(wǎng)絡(luò)中多源目標(biāo)數(shù)據(jù)進(jìn)行融合跟蹤識(shí)別的過程中，需建立異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤模型，結(jié)合大數(shù)據(jù)挖掘和信息重構(gòu)方法進(jìn)行異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合檢測(cè)和特征分析，從而提高對(duì)異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的檢測(cè)跟蹤識(shí)別能力[2]。而相關(guān)的異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤方法研究受到人們的極大關(guān)注。一般來說，對(duì)異構(gòu)網(wǎng)絡(luò)中多源目標(biāo)數(shù)據(jù)的融合跟蹤識(shí)別是建立在對(duì)數(shù)據(jù)融合檢測(cè)和特征分析的基礎(chǔ)上的，這一過程能夠提高對(duì)異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的檢測(cè)識(shí)別能力，從而提高異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的檢索和訪問能力[3]。

目前，已有專家學(xué)者在多源目標(biāo)數(shù)據(jù)跟蹤識(shí)別領(lǐng)域提出了一些較為成熟的研究結(jié)果，如關(guān)聯(lián)特征檢測(cè)方法、模糊C均值聚類分析方法以及K均值聚類分析方法等等。另外，文獻(xiàn)[4]通過提取多層卷積特征使其表征的目標(biāo)數(shù)據(jù)更加全面，并計(jì)算數(shù)據(jù)的相關(guān)性響應(yīng)，再將所有歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)響應(yīng)中的目標(biāo)位置進(jìn)行動(dòng)態(tài)融合，從而實(shí)現(xiàn)對(duì)目標(biāo)數(shù)據(jù)的定位和動(dòng)態(tài)追蹤。文獻(xiàn)[5]利用融合重檢測(cè)機(jī)制跟蹤網(wǎng)絡(luò)目標(biāo)數(shù)據(jù)，在訓(xùn)練階段將相關(guān)濾波融入網(wǎng)絡(luò)，通過端到端訓(xùn)練提取多源數(shù)據(jù)特征；在跟蹤階段利用殘差值連接融合不同源數(shù)據(jù)，并引入重檢測(cè)機(jī)制實(shí)現(xiàn)實(shí)時(shí)跟蹤。然而，現(xiàn)有方法對(duì)異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)進(jìn)行融合跟蹤時(shí)存在自適應(yīng)性不好、計(jì)算復(fù)雜度較高、數(shù)據(jù)跟蹤能力差等問題?；诖?，本文提出基于數(shù)據(jù)挖掘的異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤方法。

1 數(shù)據(jù)的分布式存儲(chǔ)結(jié)構(gòu)模型及多層次融合

1.1 目標(biāo)數(shù)據(jù)的分布式存儲(chǔ)結(jié)構(gòu)模型

為了實(shí)現(xiàn)異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤和優(yōu)化識(shí)別，首先構(gòu)建異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)分布式存儲(chǔ)結(jié)構(gòu)模型，假設(shè)Nk(k=1,2,…,l)表示第k層異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤分布集的個(gè)數(shù)，表示異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)在數(shù)據(jù)采樣中第k層第i個(gè)節(jié)點(diǎn)的活躍度[6]，是第k層異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合節(jié)點(diǎn)i處的數(shù)據(jù)輸入，表示異構(gòu)網(wǎng)絡(luò)中第k層第i個(gè)節(jié)點(diǎn)處的能量閾值，則可得到異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的采樣節(jié)點(diǎn)的統(tǒng)計(jì)分析模型為其中，μ表示異構(gòu)網(wǎng)絡(luò)中各節(jié)點(diǎn)的連接權(quán)值。假設(shè)異構(gòu)網(wǎng)絡(luò)采樣數(shù)據(jù)有效激活函數(shù)為f，分析異構(gòu)網(wǎng)絡(luò)中多元目標(biāo)數(shù)據(jù)的周期振蕩的幅值，采用語義本體融合方法[7]進(jìn)行異構(gòu)網(wǎng)絡(luò)中多源目標(biāo)數(shù)據(jù)的三維重構(gòu)，得到目標(biāo)數(shù)據(jù)的分布式存儲(chǔ)的模糊決策函數(shù)為F=?×S f，其中，?表示模糊度系數(shù)。在異構(gòu)網(wǎng)絡(luò)的輸入若干個(gè)數(shù)據(jù)層，得到在歸一化的線性子空間中，第l層中異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)分布函數(shù)為，其中，λ表示歸一化系數(shù)。根據(jù)上述模型構(gòu)建，實(shí)現(xiàn)對(duì)目標(biāo)數(shù)據(jù)的分布式存儲(chǔ)結(jié)構(gòu)的優(yōu)化設(shè)計(jì)。

1.2 數(shù)據(jù)的多層次融合和自適應(yīng)挖掘

在上述對(duì)異構(gòu)網(wǎng)絡(luò)中目標(biāo)數(shù)據(jù)的分布式存儲(chǔ)結(jié)構(gòu)模型進(jìn)行設(shè)計(jì)的基礎(chǔ)上，設(shè)ci表示異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)共享節(jié)點(diǎn)之間的模糊貼近度函數(shù)，對(duì)異構(gòu)網(wǎng)絡(luò)中多源目標(biāo)數(shù)據(jù)的簇內(nèi)分布信息進(jìn)行提取，得到多源目標(biāo)數(shù)據(jù)簇內(nèi)分布模型為C=D×ci+(S×T)η，其中，η表示自然參數(shù)，T表示充分統(tǒng)計(jì)量。在此基礎(chǔ)上，對(duì)異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)采用信息融合和模糊層析性分析方法進(jìn)行信息融合和自適應(yīng)調(diào)度，提取異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的三維可視化特征量，則優(yōu)化的簇內(nèi)分布函數(shù)可改寫為C′=[(α×C)y]×g，其中，α為數(shù)據(jù)的多層次融合的關(guān)聯(lián)系數(shù)，y表示三維規(guī)則數(shù)據(jù)場(chǎng)中的對(duì)稱性體元個(gè)數(shù)，g表示自適應(yīng)尋優(yōu)函數(shù)。而當(dāng)C′在g存在有限穩(wěn)定解時(shí)，表示尋優(yōu)過程是收斂的，此時(shí)在異構(gòu)網(wǎng)絡(luò)跟蹤識(shí)別中的目標(biāo)函數(shù)為gC′，在固定擾動(dòng)步長下，假設(shè)異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤識(shí)別的模糊加權(quán)值為β，通過決策函數(shù)尋優(yōu)，得到異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)挖掘的特征最優(yōu)解為：J=(βC′-ε)×gC′2，其中，ε為決策誤差。

綜上分析，構(gòu)建數(shù)據(jù)的多層次融合和自適應(yīng)挖掘模型，進(jìn)行異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的可視化調(diào)度和自動(dòng)監(jiān)測(cè)設(shè)計(jì)，根據(jù)特征提取結(jié)果進(jìn)行異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的統(tǒng)計(jì)特征提取。

2 多源目標(biāo)數(shù)據(jù)的融合跟蹤

2.1 多源目標(biāo)數(shù)據(jù)的統(tǒng)計(jì)特征分析

在上述對(duì)異構(gòu)網(wǎng)絡(luò)中的多源目標(biāo)數(shù)據(jù)進(jìn)行分布式存儲(chǔ)和融合挖掘的基礎(chǔ)上，本文提出基于數(shù)據(jù)挖掘的異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤方法。采用相空間重構(gòu)方法構(gòu)建異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤的網(wǎng)格分布結(jié)構(gòu)模型，進(jìn)行異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的可視化調(diào)度和自動(dòng)監(jiān)測(cè)[8]，得到異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的特征分布維數(shù)為m，異構(gòu)網(wǎng)絡(luò)多源數(shù)據(jù)的種類屬性為r，則對(duì)所有節(jié)點(diǎn)存在最大獨(dú)立集Pi={mrNk|i=1,2,…,k=1,2,…,l}，初始化異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)分類的聚類中心e，則異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤的模糊隸屬函數(shù)為其中，ei表示異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的融合的聚類中心，ρ表示異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的先驗(yàn)概率密度，在此基礎(chǔ)上，得到異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的相空間重構(gòu)均值為。

根據(jù)異構(gòu)網(wǎng)絡(luò)的多源數(shù)據(jù)的相空間重構(gòu)結(jié)果進(jìn)行數(shù)據(jù)狀態(tài)特征監(jiān)測(cè)，結(jié)合統(tǒng)計(jì)特征分析方法，得到多元目標(biāo)數(shù)據(jù)融合的方差為。

假設(shè)異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)集合中含有N個(gè)樣本，對(duì)于有限數(shù)據(jù)樣本集XN，其三維視覺特征重構(gòu)的沖激響應(yīng)函數(shù)為其中，f0表示初始采樣頻率。在此基礎(chǔ)上，采用測(cè)度特征提取方法進(jìn)行異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的基準(zhǔn)特征匹配，設(shè)計(jì)異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的主頻特征提取模型，實(shí)現(xiàn)多源目標(biāo)數(shù)據(jù)的統(tǒng)計(jì)特征分析，得到統(tǒng)計(jì)特征量為Q=I×[(φ×q-t)N]，其中，q表示異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的特征屬性，φ表示有限數(shù)據(jù)集合，t表示數(shù)據(jù)融合跟蹤的時(shí)間延遲。

2.2 數(shù)據(jù)特征提取及融合跟蹤輸出

對(duì)異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)采用信息融合方法進(jìn)行自適應(yīng)特征信息提取，采用模糊層析性分析方法進(jìn)行異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的多層次融合和自適應(yīng)挖掘，對(duì)異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)采用信息融合和模糊層析性分析方法進(jìn)行大數(shù)據(jù)調(diào)度[9]，則異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的量化評(píng)估的規(guī)則項(xiàng)集為U=其中，Ei表示異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)輸出層第i個(gè)節(jié)點(diǎn)的譜輸出期望值，δ表示克羅內(nèi)克函數(shù)。

假設(shè)z表示異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的測(cè)度特征集，分析異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的統(tǒng)計(jì)向量維數(shù)，采用修正函數(shù)進(jìn)行狀態(tài)修正，得到異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤識(shí)別的約束函數(shù)：Y=(τ×z)U，其中，τ表示異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)采樣的可靠性因子，是一個(gè)大于0但小于1的常數(shù)。采用模糊C均值聚類分析方法[10]得到異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的融合輸出為T=(Q-U)γ×Y，其中，γ表示融合因子。假設(shè)R表示異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的三維分布屬性值，通過上述分析，實(shí)現(xiàn)異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的最優(yōu)融合跟蹤，輸出結(jié)果：M=(Y×T-Q)v R，其中，v表示數(shù)據(jù)節(jié)點(diǎn)間距離。

綜上分析，本研究在提取異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)關(guān)聯(lián)特征量的基礎(chǔ)上，實(shí)現(xiàn)了數(shù)據(jù)優(yōu)化挖掘和融合跟蹤識(shí)別。

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了測(cè)試上述基于數(shù)據(jù)挖掘的異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤方法的應(yīng)用性能，設(shè)計(jì)仿真實(shí)驗(yàn)進(jìn)行驗(yàn)證。仿真實(shí)驗(yàn)在Matlab環(huán)境進(jìn)行，設(shè)定異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤的迭代步數(shù)為2 000，異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的采樣時(shí)間間隔為0.8 s，數(shù)據(jù)采樣長度為1 000，對(duì)異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)進(jìn)行相空間重構(gòu)，重構(gòu)維數(shù)為4，嵌入延遲為12 ms，對(duì)數(shù)據(jù)采樣的載波頻率為9 kHz。根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，得到異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)時(shí)域分布示意圖，如圖1所示。

以圖1中的數(shù)據(jù)作為初始輸入數(shù)據(jù)進(jìn)行異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤，提取其中的關(guān)聯(lián)特征量，輸出的數(shù)據(jù)挖掘結(jié)果如圖2所示。

圖1 異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)時(shí)域分布示意圖

圖2 多源目標(biāo)數(shù)據(jù)的融合跟蹤挖掘結(jié)果

由圖2可知，數(shù)據(jù)頻域分布情況較為穩(wěn)定，受采樣時(shí)間的影響較小，證明對(duì)異構(gòu)網(wǎng)絡(luò)中多源目標(biāo)數(shù)據(jù)的挖掘過程較為穩(wěn)定、抗干擾能力較強(qiáng)，初步體現(xiàn)了基于數(shù)據(jù)挖掘的異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤方法的有效性。

為進(jìn)一步測(cè)試基于數(shù)據(jù)挖掘的異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤方法的有效性，設(shè)計(jì)如下對(duì)比實(shí)驗(yàn)。將該方法與文獻(xiàn)[4]方法和文獻(xiàn)[5]方法進(jìn)行對(duì)比，測(cè)試不同方法進(jìn)行異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤的誤差情況，得到對(duì)比結(jié)果如表1所示。

表1 不同數(shù)據(jù)跟蹤方法的誤差對(duì)比（%）

由表1中的數(shù)據(jù)可知，隨著實(shí)驗(yàn)迭代次數(shù)的不斷增加，不同目標(biāo)數(shù)據(jù)跟蹤方法的跟蹤誤差也相應(yīng)發(fā)生變化。基于多層卷積特征的自適應(yīng)決策融合目標(biāo)跟蹤方法的跟蹤誤差比融合重檢測(cè)機(jī)制的網(wǎng)絡(luò)目標(biāo)數(shù)據(jù)跟蹤方法略低，但這兩種方法的跟蹤誤差始終小于所提方法。對(duì)比結(jié)果表明，基于數(shù)據(jù)挖掘的異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤方法的融合跟蹤誤差最小，可有效實(shí)現(xiàn)對(duì)異構(gòu)網(wǎng)絡(luò)中多元數(shù)據(jù)的跟蹤識(shí)別。

4 結(jié)束語

在建立異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤模型的基礎(chǔ)上，結(jié)合大數(shù)據(jù)挖掘和信息重構(gòu)方法能夠?qū)崿F(xiàn)對(duì)異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的融合檢測(cè)和特征分析。本文提出基于數(shù)據(jù)挖掘的異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤方法。構(gòu)建異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的分布式存儲(chǔ)結(jié)構(gòu)模型，根據(jù)特征提取結(jié)果進(jìn)行異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的統(tǒng)計(jì)特征分析，對(duì)異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)采用信息融合方法進(jìn)行自適應(yīng)特征信息提取，采用模糊層析性分析方法進(jìn)行異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的多層次融合和自適應(yīng)挖掘，提取異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)的關(guān)聯(lián)特征量，實(shí)現(xiàn)數(shù)據(jù)優(yōu)化挖掘和融合跟蹤識(shí)別。經(jīng)實(shí)驗(yàn)分析可知，采用該方法進(jìn)行異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤的自適應(yīng)性較好，數(shù)據(jù)采集過程抗干擾能力較強(qiáng)，跟蹤誤差較低，在異構(gòu)網(wǎng)絡(luò)多源目標(biāo)數(shù)據(jù)融合跟蹤識(shí)別中具有很好的應(yīng)用價(jià)值。