米 捷, 王旭輝

(1.河南工程學(xué)院 計(jì)算機(jī)學(xué)院，河南 鄭州 451191; 2.河南工程學(xué)院 工程訓(xùn)練中心,河南 鄭州 451191)

隨著智慧物聯(lián)網(wǎng)建設(shè)的發(fā)展，物聯(lián)網(wǎng)應(yīng)用越來越廣泛，通過構(gòu)建層次化物聯(lián)網(wǎng)進(jìn)行數(shù)據(jù)分布式探測(cè)設(shè)計(jì)，可實(shí)現(xiàn)組網(wǎng)優(yōu)化，提高物聯(lián)網(wǎng)量化分析能力。在進(jìn)行層次化物聯(lián)網(wǎng)設(shè)計(jì)時(shí)，需要進(jìn)行數(shù)據(jù)優(yōu)化檢測(cè)，構(gòu)建層次化物聯(lián)網(wǎng)數(shù)據(jù)優(yōu)化檢測(cè)模型[1]，結(jié)合模糊相關(guān)性分析方法進(jìn)行物聯(lián)網(wǎng)優(yōu)化檢測(cè)和信息挖掘，以提高大數(shù)據(jù)的挖掘分析能力。

過去的物聯(lián)網(wǎng)數(shù)據(jù)檢測(cè)模型，在數(shù)據(jù)檢測(cè)過程中受網(wǎng)絡(luò)環(huán)境中重復(fù)數(shù)據(jù)和干擾雜質(zhì)數(shù)據(jù)的影響，導(dǎo)致數(shù)據(jù)檢測(cè)的準(zhǔn)確率不高、抗干擾性不好[2]。本研究提出了基于遞歸熵特征提取的層次化物聯(lián)網(wǎng)數(shù)據(jù)檢測(cè)方法，首先進(jìn)行數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)的特征分析，然后進(jìn)行數(shù)據(jù)的特征分析和融合聚類處理，結(jié)合數(shù)據(jù)遞歸熵特征的提取結(jié)果進(jìn)行數(shù)據(jù)的優(yōu)化檢測(cè)，最后進(jìn)行仿真測(cè)試，得出了有效性結(jié)論。

1 數(shù)據(jù)的存儲(chǔ)結(jié)構(gòu)及融合聚類處理

1.1 數(shù)據(jù)的存儲(chǔ)結(jié)構(gòu)

為了實(shí)現(xiàn)對(duì)層次化物聯(lián)網(wǎng)數(shù)據(jù)信息處理系統(tǒng)數(shù)據(jù)庫(kù)的訪問和調(diào)度，需要構(gòu)建層次化物聯(lián)網(wǎng)數(shù)據(jù)的存儲(chǔ)結(jié)構(gòu)模型，根據(jù)層次化物聯(lián)網(wǎng)數(shù)據(jù)庫(kù)的存儲(chǔ)特征進(jìn)行信息聚類，采用分塊特征匹配方法[3]建立數(shù)據(jù)的存儲(chǔ)空間配對(duì)模型，結(jié)合坐標(biāo)指針?biāo)饕椒ㄟM(jìn)行數(shù)據(jù)的優(yōu)化檢測(cè)，得到數(shù)據(jù)的存儲(chǔ)結(jié)構(gòu)如圖1所示。

圖1 層次化物聯(lián)網(wǎng)數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)Fig.1 Hierarchical network data storage structure

根據(jù)圖1所示的層次化物聯(lián)網(wǎng)數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)進(jìn)行數(shù)據(jù)的模糊信息聚類，建立數(shù)據(jù)碼元分布序列，采用層次化融合方法進(jìn)行物聯(lián)網(wǎng)數(shù)據(jù)檢測(cè)過程中的自適應(yīng)加權(quán)學(xué)習(xí)[4]，學(xué)習(xí)式為

(1)

式中：z0為數(shù)據(jù)的關(guān)聯(lián)估計(jì)值；zi為i點(diǎn)數(shù)據(jù)的實(shí)測(cè)值；di為數(shù)據(jù)檢測(cè)點(diǎn)i和零點(diǎn)的距離；S為實(shí)測(cè)點(diǎn)統(tǒng)計(jì)特征量；K為分塊特征匹配權(quán)重。

根據(jù)自適應(yīng)加權(quán)學(xué)習(xí)方法，進(jìn)行層次化物聯(lián)網(wǎng)數(shù)據(jù)的空間特征加權(quán)。提取層次化物聯(lián)網(wǎng)數(shù)據(jù)的關(guān)聯(lián)規(guī)則[5]，把數(shù)據(jù)通過多維空間重組方法聚焦到特征空間中，得到分布時(shí)間序列A={a1,a2,…,an}，B={b1,b2,…,bm}。層次化物聯(lián)網(wǎng)數(shù)據(jù)的空間聚類模型定義為

(2)

計(jì)算模糊聚類特征系數(shù)，定義為

(3)

通過模糊度尋優(yōu)方法進(jìn)行物聯(lián)網(wǎng)數(shù)據(jù)的統(tǒng)計(jì)分析，分析差異度特征量，進(jìn)行數(shù)據(jù)模糊度匹配，得到關(guān)聯(lián)規(guī)則集為

(4)

式中：dm+1(m)為數(shù)據(jù)集在第m點(diǎn)的預(yù)測(cè)值；dk+1(m)為第m點(diǎn)的模糊性特征量。根據(jù)上述分析，實(shí)現(xiàn)了數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)的優(yōu)化重組。

1.2 層次化物聯(lián)網(wǎng)數(shù)據(jù)的融合聚類模型

通過挖掘數(shù)據(jù)集統(tǒng)計(jì)的屬性特征，實(shí)現(xiàn)數(shù)據(jù)集統(tǒng)計(jì)檢測(cè)。采用統(tǒng)計(jì)分析方法[6]，建立層次化物聯(lián)網(wǎng)數(shù)據(jù)的關(guān)聯(lián)規(guī)則分布矩陣：

(5)

根據(jù)式(5)構(gòu)建層次化物聯(lián)網(wǎng)數(shù)據(jù)的特征提取模型，根據(jù)特征提取結(jié)果進(jìn)行數(shù)據(jù)挖掘。

采用模糊C均值聚類方法進(jìn)行層次化物聯(lián)網(wǎng)數(shù)據(jù)的融合聚類。假設(shè)有限數(shù)據(jù)集X={x1，x2，…，xn}?Rs中含有n個(gè)樣本，樣本數(shù)據(jù)為xi。數(shù)據(jù)聚類算法是把對(duì)數(shù)據(jù)的分割轉(zhuǎn)化為對(duì)空間的分割，它不需要直接對(duì)數(shù)據(jù)進(jìn)行處理，而是采用Lagrange定理求得聚類標(biāo)函數(shù)的極值來確定數(shù)據(jù)聚類中心。采用模糊信息聚類算法進(jìn)行數(shù)據(jù)聚類處理[7]，得到傳感節(jié)點(diǎn)i處采集到的數(shù)碼元序列(w1 j,w2 j，wtj)，其中t為層次化物聯(lián)網(wǎng)數(shù)據(jù)的編號(hào)數(shù)目，wtj為層次化物聯(lián)網(wǎng)數(shù)據(jù)挖掘的加權(quán)系數(shù)。結(jié)合語義特征分析方法，建立層次化物聯(lián)網(wǎng)數(shù)據(jù)挖掘的模糊語義特征規(guī)則分析模型[8]，得到層次化物聯(lián)網(wǎng)數(shù)據(jù)的自適應(yīng)加權(quán)系數(shù)

(6)

式中：maxlFreqi， j為數(shù)據(jù)的模糊度辨識(shí)特征量。

采用模糊聚類方法，計(jì)算層次化物聯(lián)網(wǎng)數(shù)據(jù)挖掘的蟻群搜索最短路徑：

(7)

式中：di和dj為相似度屬性。

采用統(tǒng)計(jì)信息分析方法[9]建立層次化物聯(lián)網(wǎng)數(shù)據(jù)挖掘的模糊特征分布集：

(8)

根據(jù)上述分析，構(gòu)建層次化物聯(lián)網(wǎng)數(shù)據(jù)的融合聚類模型，根據(jù)聚類結(jié)果進(jìn)行物聯(lián)網(wǎng)數(shù)據(jù)檢測(cè)[10]。

2 物聯(lián)網(wǎng)數(shù)據(jù)檢測(cè)優(yōu)化

2.1 遞歸熵特征量提取

在采用網(wǎng)格分塊區(qū)域融合方法進(jìn)行層次化物聯(lián)網(wǎng)數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)分析的基礎(chǔ)上，進(jìn)行數(shù)據(jù)檢測(cè)優(yōu)化，提出基于遞歸熵特征提取的層次化物聯(lián)網(wǎng)數(shù)據(jù)檢測(cè)方法。根據(jù)特征提取結(jié)果，采用模糊C均值聚類方法進(jìn)行信息處理:

(9)

式中：Mid表示數(shù)據(jù)檢測(cè)的遞歸熵分布中位數(shù)；Lm為最小閾值；fm為數(shù)據(jù)的中位數(shù)；fless表示各維度下數(shù)據(jù)的最小統(tǒng)計(jì)特征量。構(gòu)建定量遞歸分析模型，得到遞歸熵特征提取結(jié)果為

(10)

在決策樹模型下，采用自適應(yīng)尋優(yōu)方法進(jìn)行層次化物聯(lián)網(wǎng)數(shù)據(jù)遞歸熵的特征提取，根據(jù)提取結(jié)果進(jìn)行物聯(lián)網(wǎng)數(shù)據(jù)檢測(cè)[11]。

2.2 數(shù)據(jù)檢測(cè)的抗干擾設(shè)計(jì)及檢測(cè)輸出

提取數(shù)據(jù)的遞歸熵特征量，采用層次化演化聚類方法進(jìn)行數(shù)據(jù)的自適應(yīng)分塊匹配，結(jié)合匹配濾波檢測(cè)器進(jìn)行干擾抑制[12]，實(shí)現(xiàn)流程描述如下：

(1)考察層次化物聯(lián)網(wǎng)數(shù)據(jù)信息流矢量x和xn+τ，選擇一個(gè)C值，確定數(shù)據(jù)的匹配濾波系數(shù)，若數(shù)據(jù)集為m，令A(yù)j(L)作為濾波階數(shù)，其中j=1，2，…，k，使用關(guān)聯(lián)性融合聚類分析方法進(jìn)行數(shù)據(jù)分布式檢測(cè)。

(2)根據(jù)遞歸熵的規(guī)則性分布關(guān)系，得到時(shí)刻t和t+τ之前的相互關(guān)聯(lián)性和數(shù)據(jù)的融合聚類中心F(xi，Aj(L))，其中i=1，2，…，m，j=1，2，…，k。

(3)使用模糊相關(guān)性匹配方法，得到遞歸熵特征分布式檢測(cè)輸出滿足

D(xi，Aj(L))=min{D(xi，Aj(L))}，

(11)

那么xi∈ωk。

(4)采用互信息特征分析方法，得到數(shù)據(jù)屬性檢測(cè)的類別特征量S(t)，在數(shù)據(jù)聚類中心進(jìn)行多層迭代，得到迭代輸出的平均值：

(12)

(5)當(dāng)滿足收斂條件‖C(l)-C(l-1)‖<ξ時(shí)，則中止程序，否則返回步驟(2)。令層次化物聯(lián)網(wǎng)數(shù)據(jù)檢測(cè)的迭代步長(zhǎng)l=l+1，則數(shù)據(jù)檢測(cè)的優(yōu)化輸出為

(13)

通過上述分析，結(jié)合遞歸熵的規(guī)則性分布關(guān)系實(shí)現(xiàn)了層次化物聯(lián)網(wǎng)數(shù)據(jù)檢測(cè)優(yōu)化。

3 仿真測(cè)試分析

為了驗(yàn)證本方法在層次化物聯(lián)網(wǎng)數(shù)據(jù)檢測(cè)時(shí)的性能，進(jìn)行仿真測(cè)試。采用MATLAB進(jìn)行層次化物聯(lián)網(wǎng)數(shù)據(jù)檢測(cè)的算法處理，物聯(lián)網(wǎng)的分布節(jié)點(diǎn)數(shù)為200，數(shù)據(jù)特征重構(gòu)的嵌入維數(shù)為12，采樣時(shí)延為1.4 ms，數(shù)據(jù)存儲(chǔ)的根節(jié)點(diǎn)數(shù)為36，層次化物聯(lián)網(wǎng)數(shù)據(jù)的屬性類別數(shù)為8，數(shù)據(jù)的初始頻率f1=1.5 Hz，終止采樣頻率f2=2.3 Hz。實(shí)驗(yàn)分別選取1維、10維和100維數(shù)據(jù)，根據(jù)上述參數(shù)設(shè)定，進(jìn)行層次化物聯(lián)網(wǎng)數(shù)據(jù)采樣和檢測(cè)優(yōu)化，分析數(shù)據(jù)的聚類性能和特征檢測(cè)能力，得到層次化物聯(lián)網(wǎng)數(shù)據(jù)如圖2所示。

圖2 層次化物聯(lián)網(wǎng)數(shù)據(jù)Fig.2 Hierarchical Internet of Things data

以圖2的數(shù)據(jù)為研究對(duì)象，采用網(wǎng)格分塊區(qū)域融合方法進(jìn)行層次化物聯(lián)網(wǎng)數(shù)據(jù)的優(yōu)化存儲(chǔ)設(shè)計(jì)，提取數(shù)據(jù)的遞歸熵特征量，在不同的迭代步數(shù)下得到特征提取結(jié)果如圖3所示。

圖3 數(shù)據(jù)遞歸熵特征提取Fig.3 Data recursive entropy feature extraction

分析圖3可知，本方法能有效實(shí)現(xiàn)對(duì)層次化物聯(lián)網(wǎng)數(shù)據(jù)的特征聚類分析，特征檢測(cè)的聚類性較好，說明數(shù)據(jù)檢測(cè)的抗干擾性較好。分析數(shù)據(jù)檢測(cè)過程中的聚類性能，得到對(duì)比結(jié)果如圖4所示。

圖4 數(shù)據(jù)聚類性能對(duì)比Fig.4 Comparison of the data clustering performance

表1 層次化物聯(lián)網(wǎng)數(shù)據(jù)檢測(cè)準(zhǔn)確率對(duì)比Tab.1 Comparison of the exact probability of the detection of the hierarchical Internet of Thing data

分析圖4發(fā)現(xiàn)，采用本方法進(jìn)行層次化物聯(lián)網(wǎng)數(shù)據(jù)檢測(cè)的聚類性能較好，抗干擾能力較強(qiáng)。采用不同方法進(jìn)行數(shù)據(jù)檢測(cè)準(zhǔn)確率測(cè)試，得到的對(duì)比結(jié)果見表1。分析表1數(shù)據(jù)得知，采用本方法進(jìn)行層次化物聯(lián)網(wǎng)數(shù)據(jù)檢測(cè)的準(zhǔn)確率較高。

4 結(jié)語

構(gòu)建層次化物聯(lián)網(wǎng)數(shù)據(jù)的優(yōu)化檢測(cè)模型，結(jié)合模糊相關(guān)性分析方法進(jìn)行層次化物聯(lián)網(wǎng)的優(yōu)化檢測(cè)和信息挖掘，以提高數(shù)據(jù)的檢測(cè)能力。提出基于遞歸熵特征提取的層次化物聯(lián)網(wǎng)數(shù)據(jù)檢測(cè)方法，根據(jù)自適應(yīng)加權(quán)學(xué)習(xí)方法，進(jìn)行層次化物聯(lián)網(wǎng)數(shù)據(jù)的空間特征加權(quán)，結(jié)合語義特征分析方法，建立層次化物聯(lián)網(wǎng)數(shù)據(jù)挖掘的模糊語義特征規(guī)則分析模型，采用網(wǎng)格分塊區(qū)域融合方法進(jìn)行層次化物聯(lián)網(wǎng)數(shù)據(jù)的存儲(chǔ)結(jié)構(gòu)分析，結(jié)合匹配濾波檢測(cè)方法進(jìn)行數(shù)據(jù)檢測(cè)過程中的干擾抑制。仿真分析得知，采用本方法進(jìn)行數(shù)據(jù)檢測(cè)的準(zhǔn)確率較高、抗干擾性較好。