邵云

基于數(shù)學(xué)圖論分析的數(shù)據(jù)相似度權(quán)重調(diào)整算法

邵云

(滁州城市職業(yè)學(xué)院 教育系, 安徽 滁州, 230039)

為了提高嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)的傳輸質(zhì)量, 提出基于數(shù)學(xué)圖論分析的數(shù)據(jù)相似度權(quán)重調(diào)整算法。構(gòu)建嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)的模糊信息檢測模型, 分析數(shù)據(jù)傳輸動態(tài)模糊特征, 采用數(shù)學(xué)圖論分析進行嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)相似度權(quán)重調(diào)整過程中的自適應(yīng)尋優(yōu), 實現(xiàn)嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)的優(yōu)化相似度權(quán)重調(diào)整。結(jié)果表明, 在迭代次數(shù)分別為100、200、300、400時, 采用該方法測試的輸出誤比特率為0.103、0.043、0、0, 遠低于對比方法, 提高了嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)的輸出質(zhì)量。

數(shù)學(xué)圖論分析; 數(shù)據(jù)相似度; 權(quán)重; 調(diào)整; 通信網(wǎng)絡(luò)

隨著嵌入式通信網(wǎng)絡(luò)建設(shè)的發(fā)展, 相關(guān)學(xué)者采用異構(gòu)多核平臺設(shè)計嵌入式多層次通信網(wǎng)絡(luò)結(jié)構(gòu), 以增強在通信子網(wǎng)數(shù)據(jù)中大容量分布信息的存儲能力, 在傳輸和通信嵌入式通信網(wǎng)大數(shù)據(jù)時, 需要考慮嵌入式通信網(wǎng)大數(shù)據(jù)的檢測能力以及傳輸數(shù)據(jù)的相似度權(quán)重,結(jié)合嵌入式網(wǎng)絡(luò)分布式節(jié)點, 優(yōu)化信息存儲設(shè)計, 使用信息集成技術(shù), 綜合高數(shù)據(jù), 進行數(shù)據(jù)傳輸性能定量分析[1–2], 建立嵌入式通信網(wǎng)數(shù)據(jù)傳輸網(wǎng)絡(luò), 優(yōu)化相對權(quán)重調(diào)整模型, 將模糊相關(guān)性分析與使用嵌入式網(wǎng)絡(luò)傳輸數(shù)據(jù)結(jié)合起來, 使用相關(guān)性分析方法, 提高數(shù)據(jù)輸出的穩(wěn)定性。研究嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)相似度權(quán)重調(diào)整算法, 在通信網(wǎng)絡(luò)的數(shù)據(jù)傳輸和調(diào)度中具有重要意義[3–4]。

本文提出基于數(shù)學(xué)圖論分析的數(shù)據(jù)相似度權(quán)重調(diào)整算法。構(gòu)建嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)的模糊信息檢測模型, 根據(jù)嵌入式通信網(wǎng)絡(luò)的特點傳輸數(shù)據(jù), 使用大數(shù)據(jù)中的模糊C均值聚類方法進行聚類, 在調(diào)整聚類和自適應(yīng)優(yōu)勢的過程中, 利用嵌入式通信網(wǎng)絡(luò)數(shù)學(xué)圖論分析傳輸數(shù)據(jù), 實現(xiàn)數(shù)據(jù)相似度權(quán)重調(diào)整, 最后進行仿真測試分析, 得出有效性結(jié)論。

1 數(shù)據(jù)傳輸信道模型和聚類分析

1.1 嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)信道模型

為了實現(xiàn)嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)相似度權(quán)重調(diào)整, 構(gòu)建嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)的模糊信息檢測和信道輸出模型, 利用云信息處理平臺檢測模型中的傳輸數(shù)據(jù)特征, 構(gòu)建嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)的自動相似度權(quán)重調(diào)整模型, 采用模糊信息聚類分析方法[5], 統(tǒng)計信息分析和模糊信息聚類處理數(shù)據(jù), 結(jié)合分析點、線、面的元素, 創(chuàng)建一個嵌入式通信網(wǎng)絡(luò), 以傳輸信息鏈屬性的模型, 通過重新設(shè)計傳輸信息屬性鏈模型, 構(gòu)建模糊決策模型, 利用自適應(yīng)尋優(yōu)方法, 優(yōu)化嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)的相似度權(quán)重, 得到網(wǎng)絡(luò)傳輸數(shù)據(jù)的拓撲結(jié)構(gòu)如圖1所示。

圖1 網(wǎng)絡(luò)傳輸數(shù)據(jù)的拓撲結(jié)構(gòu)

其中

1.2 數(shù)據(jù)傳輸動態(tài)模糊特征分析

2 數(shù)據(jù)相似度權(quán)重調(diào)整算法優(yōu)化

2.1 數(shù)學(xué)圖論分析模型

其中:0用于評估數(shù)據(jù)對通信子網(wǎng)絡(luò)傳輸?shù)年P(guān)聯(lián)性;z為數(shù)據(jù)采集點處數(shù)據(jù)的實測值;d為點和點0的距離;為實測值的統(tǒng)計特征量;為嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)相似度權(quán)重調(diào)整的插值權(quán)重。由此構(gòu)建嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)調(diào)制的圖論分析模型如圖2所示。

圖2 數(shù)學(xué)圖論分析模型

2.2 嵌入式通信網(wǎng)絡(luò)傳輸數(shù)權(quán)重調(diào)整優(yōu)化

根據(jù)決策樹算法, 使用數(shù)學(xué)圖論分析調(diào)整嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)的相對度權(quán)重過程中進行自適應(yīng)尋優(yōu), 提取嵌入式通信網(wǎng)絡(luò)的數(shù)據(jù)傳輸統(tǒng)計特征, 根據(jù)提取結(jié)果在嵌入式通信網(wǎng)絡(luò)中, 使用模糊C均值聚類方法對大數(shù)據(jù)進行聚類, 在調(diào)整嵌入式通信網(wǎng)傳輸數(shù)據(jù)的相似度權(quán)重時, 運用數(shù)學(xué)圖論分析法進行自適應(yīng)尋優(yōu), 以達到對相似性進行優(yōu)化的目的。

3 仿真測試分析

基于Hadoop開源云平臺進行嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)相似度權(quán)重調(diào)整和輸出穩(wěn)定性控制的仿真分析, 采用Rocks集群管理控制的方法進行通信網(wǎng)絡(luò)傳輸數(shù)據(jù)的輸出相關(guān)性特征檢測和模糊聚類分析, 設(shè)定通信網(wǎng)絡(luò)傳輸數(shù)據(jù)采樣長度為1 024字節(jié), 嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)分布的空間維數(shù)為5, 數(shù)據(jù)模糊相關(guān)性特征分布系數(shù)為0.45, 相似度權(quán)重調(diào)整的系數(shù)為0.18, 特征采樣頻率為160 kHz, 采集輸出數(shù)據(jù)為2 000時的時域波形圖如圖3所示, 其中圖3(a)為整體時域波形, 圖3(b)～(e)為不同數(shù)據(jù)輸出量的具體時域波形。

圖3 數(shù)據(jù)輸出的時域波形

以圖3的數(shù)據(jù)為研究對象, 進行嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)權(quán)重調(diào)整, 實現(xiàn)數(shù)據(jù)的優(yōu)化傳輸, 通過對比Hadoop默認方法和多隊列方法map分塊和reduce分塊的吞吐量, 得到結(jié)果如圖4所示。

由圖4可知, 在調(diào)整傳輸數(shù)據(jù)相似度權(quán)重的過程中, 本文方法采用數(shù)學(xué)圖論分析進行自適應(yīng)尋優(yōu), 因此進行數(shù)據(jù)相似度權(quán)重調(diào)整后的輸出的吞吐量較高。基于此, 測試Hadoop默認調(diào)度算法和多隊列調(diào)度算法的完成時間, 得到對比結(jié)果如圖5所示。

圖4 吞吐量測試

圖5 完成時間開銷測試

由圖5可知, 本文方法在建立嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)f的數(shù)學(xué)圖論分析模型的基礎(chǔ)上, 提取統(tǒng)計特征量, 進而調(diào)整相似度權(quán)重, 降低了數(shù)據(jù)調(diào)度的時間開銷, 花費時間比Hadoop默認調(diào)度算法少。在此基礎(chǔ)上測試輸出誤比特率, 得到對比結(jié)果見表1, 由表1可知, 本文方法采用數(shù)學(xué)圖論分析模型建立嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)的自適應(yīng)加權(quán)學(xué)習(xí)模型, 采用模糊C均值聚類方法統(tǒng)計分析數(shù)據(jù)后, 數(shù)據(jù)傳輸?shù)恼`比特率得到了有效降低, 相比于文獻[4]和文獻[6]輸出誤比特率更低。

表1 輸出誤比特率測試

4 結(jié)論

為了在嵌入式通信網(wǎng)絡(luò)中對數(shù)據(jù)傳輸?shù)奶攸c進行定量分析, 本文結(jié)合嵌入式網(wǎng)絡(luò)分布式節(jié)點優(yōu)化信息存儲, 使用數(shù)據(jù)集成技術(shù)建立一個優(yōu)化相似度權(quán)重調(diào)整模型, 提出了基于數(shù)學(xué)圖論分析的數(shù)據(jù)相似度權(quán)重調(diào)整算法。

采用關(guān)聯(lián)特征提取方法進行嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)的模糊指向性聚類分析, 建立嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)的數(shù)學(xué)圖論分析模型, 提取嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)的統(tǒng)計特征量, 使用模糊C均值聚類方法聚類嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)的特征提取結(jié)果, 通過數(shù)學(xué)圖論分析實現(xiàn)嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)的優(yōu)化相似度權(quán)重調(diào)整。仿真測試分析可知, 采用本文方法進行嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)相似度權(quán)重調(diào)整的精度較高, 輸出誤比特率較低, 提高了嵌入式通信網(wǎng)絡(luò)傳輸數(shù)據(jù)的輸出質(zhì)量。

[1] 張浩杰,蘇治寶,蘇波.基于深度Q網(wǎng)絡(luò)學(xué)習(xí)的機器人端到端控制方法[J].儀器儀表學(xué)報,2018,39(10):36–43.

[2] 汪琴,周光明,趙文杰.一類帶復(fù)合結(jié)構(gòu)的非線性規(guī)劃的數(shù)值算法[J].湖南文理學(xué)院學(xué)報(自然科學(xué)版),2019,31(3):1–6.

[3] 王麗英,徐艷,李玉.機載LiDAR點云體元化及其在3D濾波中的應(yīng)用[J].儀器儀表學(xué)報,2018,39(7):173–182.

[4] 喬翔翔.一類多參數(shù)混合整數(shù)線性規(guī)劃問題的近似解法[J].湖南文理學(xué)院學(xué)報(自然科學(xué)版),2018,30(1):9–12.

[5] 楊鴻杰,張君毅.基于強化學(xué)習(xí)的智能干擾算法研究[J].電子測量技術(shù),2018(20):49–54.

[6] 李帥, 王國胤, 楊潔. 基于云綜合方法的三支群決策模型[J]. 計算機應(yīng)用, 2019, 39(11): 3163–3171.

[7] 劉連光,潘明明,田世明,等.無線傳感器網(wǎng)絡(luò)分布式能量非合作博弈優(yōu)化技術(shù)[J].武漢大學(xué)學(xué)報(工學(xué)版),2017,50(3):384–389, 400.

[8] 金圣達,朱兆偉,趙尚書,等. 蜂窩異構(gòu)網(wǎng)絡(luò)中的最優(yōu)頻譜分配算法[J]. 計算機工程, 2019, 45(2): 70–75.

[9] 杜陽, 姜震, 馮路捷. 結(jié)合支持向量機與半監(jiān)督K-means的新型學(xué)習(xí)算法[J]. 計算機應(yīng)用, 2019, 39(12): 3462–3466.

[10] DING S, JIA H, ZHANG L, et al. Research of semi-supervised spectral clustering algorithm based on pairwise constraints[J]. Neural Computing and Applications, 2014, 24(1):211–219.

[11]何萍,徐曉華,陸林,等.雙層隨機游走半監(jiān)督聚類[J].軟件學(xué)報,2014,25(5):997–1013.

[12] 尹玉,詹永照,姜震.偽標簽置信選擇的半監(jiān)督集成學(xué)習(xí)視頻語義檢測[J].計算機應(yīng)用,2019,39(8):2204–2209.

[13] 夏秀云,常安城,王曄.基于模糊關(guān)系相似與相像的一點注記[J].湖南文理學(xué)院學(xué)報(自然科學(xué)版),2017,29(3):9–12.

Data similarity weight adjustment algorithm based on mathematical graph theory analysis

Shao Yun

(Department of Education,Chuzhou City Vocational College, Chuzhou 230039, China)

In order to improve the transmission quality of data transmitted by embedded communication network, a weight adjustment algorithm of data similarity based on mathematical graph theory analysis is proposed. The fuzzy information detection model of embedded communication network transmission data is constructed, the dynamic fuzzy characteristics of data transmission are analyzed, and the adaptive optimization in the process of similarity weight adjustment of embedded communication network transmission data is carried out by using mathematical graph theory analysis, so as to realize the optimal similarity weight adjustment of embedded communication network transmission data. The results show that when the iteration times are 100, 200, 300 and 400, the output bit error rate (BER) of the proposed method is 0.103, 0.043, 0 and 0, which is far lower than that of the comparison method, and the output quality of the data transmitted by the embedded communication network is improved.

mathematical graph theory analysis; data similarity; weight; adjustment; communication network

10.3969/j.issn.1672–6146.2021.01.005

TN 919

A

1672–6146(2021)01–0020–05

邵云, chnqwer1234@163.com。

2020–06–25

安徽省省級質(zhì)量工程大規(guī)模在線開放課程(MOOC)項目(2018mooc156); 滁州城市職業(yè)學(xué)院院級自然科學(xué)研究項目(2019zk07); 滁州城市職業(yè)學(xué)院院級人文社會科研項目(2020sk03)。

(責(zé)任編校: 張紅)