涂勝倩

安徽三聯(lián)學(xué)院基礎(chǔ)實驗教學(xué)中心，安徽 合肥230601

0 引言

隨著物聯(lián)網(wǎng)和云計算技術(shù)的發(fā)展，采用分布式云計算的方法進行異構(gòu)物聯(lián)網(wǎng)設(shè)備組網(wǎng)設(shè)計，通過異構(gòu)物聯(lián)網(wǎng)設(shè)備監(jiān)測，實現(xiàn)對物理信息的自適應(yīng)感知和探測，并在云計算環(huán)境下實現(xiàn)異構(gòu)物聯(lián)網(wǎng)設(shè)備信息采集和融合處理，在采用異構(gòu)物聯(lián)網(wǎng)進行信息檢測和存儲過程中，受到異構(gòu)物聯(lián)網(wǎng)設(shè)備的環(huán)境因素影響，需要對異構(gòu)物聯(lián)網(wǎng)的感知數(shù)據(jù)進行可靠性標(biāo)記［1］，建立異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的優(yōu)化標(biāo)記模型，通過對異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的多標(biāo)記特征選擇，結(jié)合優(yōu)化的數(shù)據(jù)挖掘和特征提取技術(shù)［2］，提高對異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的挖掘和檢測能力，相關(guān)的異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)多標(biāo)記特征選擇算法研究受到人們的極大關(guān)注.本文提出基于局部子空間的可信數(shù)據(jù)多標(biāo)記特征選擇算法.建立異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的大數(shù)據(jù)分布式存儲結(jié)構(gòu)模型，采用大數(shù)據(jù)信息融合方法進行異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的可信動態(tài)特征度量，提取異構(gòu)物聯(lián)網(wǎng)感知數(shù)據(jù)的關(guān)鍵特征點，在聚類中心中實現(xiàn)對異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的自適應(yīng)融合和自適應(yīng)多標(biāo)記特征選擇.最后進行仿真測試分析，得出有效性結(jié)論.

1 異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)存儲結(jié)構(gòu)分析和特征提取

1.1 異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)存儲結(jié)構(gòu)分析

為了實現(xiàn)異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的挖掘和檢測，進行可信數(shù)據(jù)的特征標(biāo)記，建立異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的大數(shù)據(jù)分布式存儲結(jié)構(gòu)模型，如圖1 所示.

圖1 數(shù)據(jù)的分布式存儲結(jié)構(gòu)模型Fig. 1 Distributed storage structure model of data

采用模糊子空間約束控制方法，建立異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)特征提取模型，得到分離性度量方法

1.2 異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)特征提取

為了實現(xiàn)對異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)自適應(yīng)多標(biāo)記特征選擇，采用大數(shù)據(jù)信息融合方法進行異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的可信動態(tài)特征度量，提取異構(gòu)物聯(lián)網(wǎng)感知數(shù)據(jù)的關(guān)鍵特征點［5］，得到數(shù)據(jù)的緊密性度量Com(U，d)中，通過屬性特征分解，結(jié)合模糊性挖掘和融合聚類分析方法，得到新的緊密度指標(biāo)Com'(U，c，d)，得到異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)特征分解模型為

其中，dM為歐式距離，通過包絡(luò)特征分析方法，得到數(shù)據(jù)既包含了xj對象到聚類中心vi的距離，構(gòu)建異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的強語義對齊二元特征組，得到數(shù)據(jù)包含了xj對類i 的隸屬函數(shù)值.Com'(U，c，d)值反映異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的強語義對齊特征組合，結(jié)合模糊度特征分解，得到異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的分離性度量的差

采用多種聚類有效性指標(biāo)進行異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)標(biāo)記的可靠性分析，MPO 能很好的確定聚類個數(shù)，異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)標(biāo)記的概率條件和幾何結(jié)構(gòu)分離性度量如下

其中

由此構(gòu)建異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的特征提取模型，得到一個好的聚類特征量Com'(U，c，d)，用較小的Sep'(U，c，d)，VS(U，V)定義異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)標(biāo)記的有效性函數(shù)，VS(U，V)值越大表明聚類劃分結(jié)果越好.通過對異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)特征提取結(jié)果，進行多標(biāo)記選擇［7］.

2 可信數(shù)據(jù)多標(biāo)記特征選擇優(yōu)化

2.1 數(shù)據(jù)的關(guān)聯(lián)特征分布

提取異構(gòu)物聯(lián)網(wǎng)感知數(shù)據(jù)的關(guān)鍵特征點，采用關(guān)聯(lián)規(guī)則挖掘方法進行物聯(lián)網(wǎng)設(shè)備可信數(shù)據(jù)分布式檢測［8］，得到異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)挖掘的統(tǒng)計分布概率密度特征為

其中，在tn+1時刻和tn時刻相差一個更新周期.在局部子空間中，得到異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)標(biāo)記的二元語義特征分布函數(shù)為

采用模糊信息融合聚類分析方法，建立異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的可信動態(tài)度量的評價函數(shù)S^W表述為

采用子空間聚類分析方法，在源域與目標(biāo)域中進行物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)標(biāo)記，得到物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)遷移過程特征分布集，在訓(xùn)練集si= {xj:d(xj，yi)≤d(xj，yl)}的引導(dǎo)下，得到異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)挖掘的幀序列分布

在局部子空間中建立核函數(shù)模型，調(diào)整加權(quán)向量得到Nj*幾何鄰域NEj*(t)，進行物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的關(guān)聯(lián)特征分布式檢測［9］.

2.2 局部子空間聚類及可信數(shù)據(jù)多標(biāo)記特征選擇

通過物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的局部子空間聚類，建立可信數(shù)據(jù)關(guān)聯(lián)規(guī)則特征量的演化特征分布模型為

采用多元回歸分析方法，進行在線異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的動態(tài)挖掘，得到異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的頻繁動態(tài)度量分布為

其中，pi，j(t)為異構(gòu)輸入的互相關(guān)信息量;spi，j(t)為有標(biāo)記樣本的數(shù)量;Δp(t)為增益系數(shù);zi(t)，zj(t)表示為異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的模糊度函數(shù).通過上述分析，采用局部子空間聚類分析方法實現(xiàn)可信數(shù)據(jù)多標(biāo)記特征選擇的自適應(yīng)控制和尋優(yōu)，在聚類中心中實現(xiàn)對異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的自適應(yīng)融合和自適應(yīng)多標(biāo)記特征選擇［10］.

3 仿真實驗與結(jié)果

為了測試本文方法在實現(xiàn)可信數(shù)據(jù)多標(biāo)記特征選擇中的應(yīng)用性能，進行實驗測試分析，實驗采用Matlab 進行仿真測試，對異構(gòu)物聯(lián)網(wǎng)感知設(shè)備分配的節(jié)點數(shù)為100，數(shù)據(jù)采樣的時間間隔為2.5 ms，單組數(shù)據(jù)長度為1 024，仿真場景如圖2 所示.

根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進行可信數(shù)據(jù)多標(biāo)記特征選擇，得到待分析的數(shù)據(jù)如圖3 所示.

圖2 測試環(huán)境的網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Network structure of test environment

圖3 待分析的數(shù)據(jù)Fig.3 Data to be analysed

以圖3 的數(shù)據(jù)為研究對象，進行可信數(shù)據(jù)多標(biāo)記特征選擇，提取異構(gòu)物聯(lián)網(wǎng)感知數(shù)據(jù)的關(guān)鍵特征點，采用關(guān)聯(lián)規(guī)則挖掘方法進行物聯(lián)網(wǎng)設(shè)備可信數(shù)據(jù)分布式檢測，得到數(shù)據(jù)多標(biāo)記特征選擇結(jié)果如圖4 所示.

分析圖4 得知，本文方法能有效實現(xiàn)可信數(shù)據(jù)多標(biāo)記特征選擇的特征標(biāo)記準(zhǔn)確性較高，測試可信數(shù)據(jù)多標(biāo)記特征選擇的準(zhǔn)確性，得到對比結(jié)果見表1，分析表1 得知，本文方法進行可信數(shù)據(jù)多標(biāo)記特征選擇的精度較高，誤差較低.

圖4 數(shù)據(jù)的多標(biāo)記特征選擇結(jié)果Fig.4 Multi-marker feature selection results of data

表1 可信數(shù)據(jù)多標(biāo)記特征選擇準(zhǔn)確性測試Tab.1 Reliability data multi-label feature selection accuracy test

4 結(jié)語

通過異構(gòu)物聯(lián)網(wǎng)設(shè)備監(jiān)測，實現(xiàn)對物理信息的自適應(yīng)感知和探測，本文提出基于局部子空間的可信數(shù)據(jù)多標(biāo)記特征選擇算法.建立異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的大數(shù)據(jù)分布式存儲結(jié)構(gòu)模型，采用大數(shù)據(jù)信息融合方法進行異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的可信動態(tài)特征度量，提取異構(gòu)物聯(lián)網(wǎng)感知數(shù)據(jù)的關(guān)鍵特征點，采用關(guān)聯(lián)規(guī)則挖掘方法進行物聯(lián)網(wǎng)設(shè)備可信數(shù)據(jù)分布式檢測，建立數(shù)據(jù)的關(guān)聯(lián)特征分布模型，采用模糊相關(guān)性融合調(diào)度方法進行異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)自適應(yīng)多標(biāo)記特征選擇，采用局部子空間聚類分析方法實現(xiàn)可信數(shù)據(jù)多標(biāo)記特征選擇的自適應(yīng)控制和尋優(yōu)，在聚類中心中實現(xiàn)對異構(gòu)物聯(lián)網(wǎng)感知設(shè)備可信數(shù)據(jù)的自適應(yīng)融合和自適應(yīng)多標(biāo)記特征選擇.分析得知，本文方法進行物聯(lián)網(wǎng)設(shè)備可信數(shù)據(jù)分布式檢測的精度較高，準(zhǔn)確性較好.