周賢來

(廣州松田職業(yè)學院，廣東 廣州 511370)

0 引 言

智慧物聯(lián)網(wǎng)建設和發(fā)展過程中，多采用異構多核平臺進行物聯(lián)網(wǎng)層次化結構設計，以提高物聯(lián)網(wǎng)大數(shù)據(jù)的信息分布式存儲和檢測能力。在進行物聯(lián)網(wǎng)構造過程中，需要進行異構多核平臺大數(shù)據(jù)挖掘，進行物聯(lián)網(wǎng)的分布節(jié)點的信息優(yōu)化存儲設計，故采用大數(shù)據(jù)信息融合技術，實現(xiàn)對異構多核平臺大數(shù)據(jù)特征的量化分析，構建異構多核平臺大數(shù)據(jù)的優(yōu)化挖掘模型，結合模糊相關性分析方法進行異構多核平臺大數(shù)據(jù)挖掘和特征提取，分析異構多核平臺大數(shù)據(jù)信息傳輸穩(wěn)定性特征分量，以實現(xiàn)異構多核平臺的大數(shù)據(jù)挖掘和檢測[1]。研究異構多核平臺大數(shù)據(jù)挖掘算法，在異構多核平臺的存儲優(yōu)化設計中具有重要意義。

對異構多核平臺進行大數(shù)據(jù)挖掘，在數(shù)據(jù)融合和特征提取方法基礎上，采用異構多核平臺大數(shù)據(jù)處理方法進行信息管理調(diào)度，進行異構多核平臺大數(shù)據(jù)的采集、統(tǒng)計、匯總，建立大數(shù)據(jù)信息處理平臺進行異構多核平臺大數(shù)據(jù)的自動挖掘[2-3]，其中，Sierociuk等[4]提出基于嵌入式Linux內(nèi)核和B/S構架的進行異構多核平臺大數(shù)據(jù)可視化挖掘方法，以MySQL為數(shù)據(jù)庫進行異構多核平臺大數(shù)據(jù)可視化系統(tǒng)的數(shù)據(jù)庫底層構造，在B/S構架體系下，采用程序加載控制方法，進行異構多核平臺大數(shù)據(jù)可視化挖掘系統(tǒng)的Tomcat服務器開發(fā)，提高數(shù)據(jù)挖掘的精度，但該方法的計算開銷較大，信息融合度不高。曲琦等[5]提出基于模糊聚類的大數(shù)據(jù)挖掘方法，采用大數(shù)據(jù)挖掘和模糊信息融合聚類方法進行異構多核平臺大數(shù)據(jù)挖掘設計，提高數(shù)據(jù)挖掘的精度，但該方法的模糊度較大，抗干擾性不好[6]。針對上述問題，本文提出基于語義分割的異構多核平臺大數(shù)據(jù)精準挖掘方法。構建異構多核平臺大數(shù)據(jù)的模糊信息檢測模型，采用關聯(lián)特征提取方法進行異構多核平臺大數(shù)據(jù)的模糊指向性聚類分析，構建異構多核平臺大數(shù)據(jù)的輸出自相關特征匹配模型，結合語義特征提取方法進行異構多核平臺大數(shù)據(jù)的特征提取和統(tǒng)計分析，建立異構多核平臺大數(shù)據(jù)的語義動態(tài)特征分析模型，提取異構多核平臺大數(shù)據(jù)的統(tǒng)計特征量，實現(xiàn)異構多核平臺大數(shù)據(jù)挖掘。最后進行仿真實驗，得出有效性結論。

1 異構多核平臺大數(shù)據(jù)檢測平臺和聚類分析

1.1 研究背景分析及異構多核平臺大數(shù)據(jù)檢測平臺

為了實現(xiàn)異構多核平臺大數(shù)據(jù)精準挖掘，構建異構多核平臺大數(shù)據(jù)的模糊信息檢測模型。當前，對異構多核平臺的數(shù)據(jù)挖掘方法主要有基于模糊神經(jīng)網(wǎng)絡的數(shù)據(jù)挖掘方法、PSO數(shù)據(jù)挖掘方法、關聯(lián)屬性特征挖掘方法和統(tǒng)計信息挖掘方法等。其中文獻[7]提出基于模糊神經(jīng)網(wǎng)絡的數(shù)據(jù)挖掘方法，根據(jù)異構多核平臺大數(shù)據(jù)的混合分類屬性進行相似度分析，提取異構多核平臺大數(shù)據(jù)的數(shù)值屬性特征和分類屬性特征，完成異構多核平臺大數(shù)據(jù)優(yōu)化挖掘，提高數(shù)據(jù)的挖掘精度。文獻[8]提出基于簡化梯度算法的異構多核平臺數(shù)據(jù)挖掘模型，采用匹配濾波器進行網(wǎng)絡通信數(shù)據(jù)的干擾濾波，結合自適應的信道均衡控制方法進行數(shù)據(jù)挖掘，提高數(shù)據(jù)的挖掘自適應性。本文采用關聯(lián)特征提取方法進行異構多核平臺大數(shù)據(jù)的模糊相關性分析，采用云信息處理平臺進行異構大數(shù)據(jù)的特征檢測，構建異構多核平臺大數(shù)據(jù)的自動挖掘模型，采用模糊信息聚類分析方法，進行異構多核平臺大數(shù)據(jù)的統(tǒng)計信息類別分析，采用點、線、面狀要素聯(lián)合分析方法，建立信息屬性鏈模型，建立異構多核平臺大數(shù)據(jù)挖掘的模糊決策模型，采用自適應尋優(yōu)方法，進行異構多核平臺大數(shù)據(jù)的優(yōu)化挖掘。建立異構多核平臺大數(shù)據(jù)的屬性鏈表，得到異構多核平臺大數(shù)據(jù)的空間分布結構模型如圖1所示。

圖1 異構多核平臺大數(shù)據(jù)的空間分布結構模型

在圖1所示的異構多核平臺大數(shù)據(jù)的空間分布結構模型中，采用融合性聚類分析方法，進行異構多核平臺大數(shù)據(jù)優(yōu)化挖掘，結合指針識別方法，進行異構多核平臺大數(shù)據(jù)挖掘的指針分析，得到異構多核平臺大數(shù)據(jù)挖掘的指針分布如圖2所示。

圖2 異構多核平臺大數(shù)據(jù)挖掘的指針分布

采用分塊區(qū)域融合方法進行異構多核平臺大數(shù)據(jù)精準定位，建立異構多核平臺大數(shù)據(jù)挖掘的存儲模塊和信息查詢模塊，提取異構多核平臺大數(shù)據(jù)的統(tǒng)計特征量，進行數(shù)據(jù)優(yōu)化挖掘[9]。

1.2 數(shù)據(jù)聚類分析

構建異構多核平臺大數(shù)據(jù)的模糊信息聚類模型，采用特征匹配方法，進行異構多核平臺大數(shù)據(jù)的模糊特征聚類，采用語義分割模型建立異構多核平臺大數(shù)據(jù)的自適應加權學習模型[10]。異構多核平臺大數(shù)據(jù)的模糊聚類分布為：

(1)

其中：z0為異構多核平臺大數(shù)據(jù)的關聯(lián)估計值；zi為點i處采集的異構多核平臺大數(shù)據(jù)的實測值；di為點i和點0的距離；S為異構多核平臺大數(shù)據(jù)的實測點統(tǒng)計特征量；K為異構多核平臺大數(shù)據(jù)挖掘的插值權重[11]。

根據(jù)自適應加權學習結果，進行異構多核平臺大數(shù)據(jù)空間特征的自適應加權，構建異構多核平臺大數(shù)據(jù)的模糊加權學習式[12-14]，提高其自適應挖掘能力，得到空間聚類模型定義為：

(2)

其中，x、y、z分別表示異構多核平臺大數(shù)據(jù)在三維空間的語義相似度特征量，σ表示語義本體集，b表示數(shù)據(jù)挖掘的模糊度系數(shù)，r表示粗糙特征匹配集。

2 大數(shù)據(jù)挖掘優(yōu)化

2.1 異構多核平臺大數(shù)據(jù)特征提取

通過挖掘異構多核平臺大數(shù)據(jù)的語義關聯(lián)特征量，結合模糊屬性特征檢測方法，實現(xiàn)異構多核平臺大數(shù)據(jù)統(tǒng)計檢測。采用統(tǒng)計分析方法，建立異構多核平臺大數(shù)據(jù)的語義分割模型[15]，計算式定義為：

(3)

其中：wij為第i個點的異構多核平臺大數(shù)據(jù)挖掘的全局加權值，dij表示異構多核平臺大數(shù)據(jù)分布節(jié)點的聚類中心。構建異構多核平臺大數(shù)據(jù)的特征提取模型，根據(jù)特征提取結果進行數(shù)據(jù)挖掘。在STARMA(1,1)網(wǎng)絡模型中，得到信息異構多核平臺大數(shù)據(jù)可視化分割模型，構建異構多核平臺大數(shù)據(jù)的輸出自相關特征匹配模型，結合模糊特征聚類分析方法進行異構多核平臺大數(shù)據(jù)的統(tǒng)計分析[16]，采用語義分割方法進行模糊信息特征提取，在特征點i處，得到t時刻的特征分布集表示為(w1j,w2j,…,wtj)，其中t表示異構多核平臺大數(shù)據(jù)的編號數(shù)目，wtj為異構多核平臺大數(shù)據(jù)挖掘的加權系數(shù)。結合語義特征分析方法，建立模糊語義特征規(guī)則集[17]，得到自適應加權系數(shù)為：

(4)

其中，F(xiàn)reqij為異構多核平臺大數(shù)據(jù)挖掘?qū)?yōu)的模糊約束特征量[18]。定義異構多核平臺搜索的信息素濃度：

(5)

其中：

wij=tfij

(6)

其中，N表示大數(shù)據(jù)挖掘節(jié)點的維數(shù)，ni表示第i個節(jié)點的信息嵌入維數(shù)，fij表示大數(shù)據(jù)采用節(jié)點i和節(jié)點j采樣數(shù)據(jù)的關聯(lián)信息，t為采樣時間間隔。

采用異構多核平臺大數(shù)據(jù)特征提取方法進行大數(shù)據(jù)挖掘。

2.2 語義動態(tài)分割和挖掘輸出

建立異構多核平臺大數(shù)據(jù)的語義動態(tài)特征分析模型，提取異構多核平臺大數(shù)據(jù)的統(tǒng)計特征量，進行異構多核平臺大數(shù)據(jù)挖掘的自適應尋優(yōu)[19]，其計算式為：

(7)

其中，di和dj為異構多核平臺大數(shù)據(jù)挖掘的模糊規(guī)則特征量。采用統(tǒng)計信息分析方法，建立異構多核平臺大數(shù)據(jù)挖掘的模糊特征分布集，表示為：

(8)

其中，m和n表示樣本嵌入維數(shù)和分割網(wǎng)格數(shù)，amn為待挖掘異構多核平臺大數(shù)據(jù)的有用信息的統(tǒng)計幅值，gmn(t)為數(shù)據(jù)統(tǒng)計平均值，n(t)為干擾項。綜上分析，構建異構多核平臺大數(shù)據(jù)的精準挖掘模型為：

(9)

其中，Xkj為語義分割的關聯(lián)維數(shù)，F(xiàn)j表示挖掘的輸出特征量，Qj表示數(shù)據(jù)挖掘的語義信息分量。

在決策樹模型下，采用語義分割進行異構多核平臺大數(shù)據(jù)挖掘過程中的自適應尋優(yōu)，提取統(tǒng)計特征量，根據(jù)特征提取結果采用模糊C均值聚類方法進行大數(shù)據(jù)聚類[20-21]，實現(xiàn)對異構多核平臺大數(shù)據(jù)的數(shù)據(jù)挖掘。

3 仿真實驗與結果分析

為了驗證本文方法在實現(xiàn)異構多核平臺大數(shù)據(jù)挖掘中的應用性能，采用Matlab進行仿真測試分析。對異構多核平臺大數(shù)據(jù)采樣的物聯(lián)網(wǎng)節(jié)點數(shù)為120，數(shù)據(jù)挖掘的根節(jié)點數(shù)為12，異構多核平臺大數(shù)據(jù)分布的空間維數(shù)為5，數(shù)據(jù)聚類屬性類別數(shù)為10，對大數(shù)據(jù)采樣的初始頻率f1=1.5 Hz，終止頻率f2=2.3 Hz。根據(jù)上述仿真參數(shù)設定，進行異構多核平臺大數(shù)據(jù)挖掘，得到數(shù)據(jù)樣本的時域分布如圖3所示。

以圖3所示的數(shù)據(jù)為研究對象，提取統(tǒng)計特征量，特征提取結果采用模糊C均值聚類方法進行大數(shù)據(jù)聚類，得到數(shù)據(jù)挖掘的直方圖分布如圖4所示。

分析圖4得知，本文方法進行異構多核平臺大數(shù)據(jù)挖掘的特征聚斂性較好，提高了數(shù)據(jù)挖掘的抗干擾能力。通過測試數(shù)據(jù)挖掘的精度，得到對比結果見表1。分析表1得知，本文方法進行數(shù)據(jù)挖掘的精度較高。

(a) 樣本數(shù)據(jù)1

(b) 樣本數(shù)據(jù)2

(a) 樣本數(shù)據(jù)1

(b) 樣本數(shù)據(jù)2

表1 數(shù)據(jù)挖掘的精度對比

4 結束語

構建異構多核平臺大數(shù)據(jù)的優(yōu)化挖掘模型，結合模糊相關性分析方法進行數(shù)據(jù)挖掘和特征提取，提出基于語義分割的異構多核平臺大數(shù)據(jù)精挖掘方法。采用分塊區(qū)域融合方法進行異構多核平臺大數(shù)據(jù)精準定位，采用語義分割方法進行模糊信息特征提取，建立異構多核平臺大數(shù)據(jù)挖掘的模糊語義特征規(guī)則集，進行異構多核平臺大數(shù)據(jù)挖掘的尋優(yōu)控制，采用統(tǒng)計信息分析方法，建立異構多核平臺大數(shù)據(jù)挖掘的模糊特征分布集，在決策樹模型下，采用語義分割進行異構多核平臺大數(shù)據(jù)挖掘，實現(xiàn)數(shù)據(jù)挖掘優(yōu)化。分析得知，本文方法進行數(shù)據(jù)挖掘的精度較高，根據(jù)數(shù)據(jù)挖掘的直方圖分布得知，本文方法進行數(shù)據(jù)挖掘的特征聚斂性較好和抗干擾能力較強。