張皓

摘 要： 為了提高物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)挖掘能力，需要進行數(shù)據(jù)優(yōu)化聚類處理，提出基于深度學習的區(qū)塊鏈數(shù)據(jù)分片峰值聚類算法。采用異構有向圖分析方法進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)存儲結構設計，結合特征空間重組技術進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)結構重組，提取物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的關聯(lián)信息特征量，采用語義相關性融合的方法進行區(qū)塊鏈數(shù)據(jù)特征提取和自適應調度，對提取的物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)特征量進行模糊聚類處理，采用模糊C均值聚類方法進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的網(wǎng)格分片峰值聚類和屬性分類識別，采用深度學習方法進行數(shù)據(jù)聚類過程中的分片峰值融合和聚類分析，實現(xiàn)區(qū)塊鏈數(shù)據(jù)分片峰值聚類。仿真結果表明，采用該方法進行區(qū)塊鏈數(shù)據(jù)分片峰值聚類的收斂性較好，誤分率較低，自適應學習能力較強。

關鍵詞： 深度學習; 區(qū)塊鏈; 數(shù)據(jù); 挖掘; 聚類

文章編號： 2095-2163（2021）07-0020-05中圖分類號：TP391文獻標志碼： A

Block chain data sliced peak clustering algorithm based on deep learning

ZHANG Hao

（Huali College， Guangdong University of Technology， Guangzhou 511325， China）

【Abstract】In order to improve the ability of blockchain data mining in the Internet of Things， it is necessary to carry out data optimization clustering processing and propose a block chain data slice peak clustering algorithm based on deep learning. Using the heterogeneous directed graph analysis method to design the data storage structure of the Internet of Things block chain， combining the feature space reorganization technology to reorganize the data structure of the Internet of Things block chain， extracting the related information characteristic quantity of the Internet of Things block chain data， using the semantic correlation fusion method to extract the block chain data feature and adaptive scheduling， performing fuzzy clustering processing of the extracted block chain data feature quantity， using the fuzzy C-means clustering method to identify the grid segmented peak clustering and attribute classification of the block chain data of the Internet of Things， and using deep learning methods to perform the segmented peak fusion and clustering analysis in the process of data clustering， the segmented peak clustering of the block chain data is realized . The simulation results show that the convergence of block chain data segmentation peak clustering with this method is good， the error rate is low， and the adaptive learning ability is strong.

【Key words】deep learning; block chain; data; mining; clustering

0 引 言

隨著物聯(lián)網(wǎng)技術的發(fā)展，需要對物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)進行優(yōu)化挖掘和存儲設計，通過物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的聚類分析，降低數(shù)據(jù)的存儲空間，提高數(shù)據(jù)的挖掘精度，相關的物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類方法研究受到人們的極大關注。對物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)挖掘是建立在對數(shù)據(jù)的特征提取和信息識別基礎上，采用模糊信息識別技術，進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的存鏈結構開發(fā)，結合物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的大數(shù)據(jù)特征分布進行異構重組[1]，建立物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的大數(shù)據(jù)信息分析模型，采用信息融合和資源優(yōu)化調度的方法進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類分析。

當前，對物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類方法主要有K-Means聚類法、網(wǎng)格區(qū)域聚類方法、粒子群聚類方法等[2-3]，建立物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的特征提取和大數(shù)據(jù)分析模型，采用相關的特征分布式檢測方法，實現(xiàn)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類。文獻[4]提出基于模糊層次結構聚類的物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類方法，采用異構有向圖分析方法進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)分塊層次結構設計，提高數(shù)據(jù)聚類的精度，但該方法的計算開銷較大，實時性不好。文獻[5]提出基于特征空間重組技術的數(shù)據(jù)聚類方法，在大數(shù)據(jù)背景下進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)在線聚類優(yōu)化設計，結合分片重組技術進行數(shù)據(jù)聚類優(yōu)化，但該方法的模糊度較大，聚類精度不高。文獻[6]提出指標約束的物聯(lián)網(wǎng)節(jié)點部署的區(qū)塊鏈融合技術， 采用諧波諧振擾動特征分析方法，構建物聯(lián)網(wǎng)節(jié)能降損可靠性評估模型，結合分塊數(shù)據(jù)組網(wǎng)控制，采用數(shù)據(jù)聚類方法，實現(xiàn)物聯(lián)網(wǎng)輸出參數(shù)可靠性評估，但該方法的聚類性不好。

針對上述問題，本文提出基于深度學習的區(qū)塊鏈數(shù)據(jù)分片峰值聚類算法。首先進行區(qū)塊鏈數(shù)據(jù)的結構特征分析，然后進行區(qū)塊鏈數(shù)據(jù)的特征提取，結合分片峰值聚類方法，實現(xiàn)數(shù)據(jù)聚類優(yōu)化，最后進行仿真測試分析，得出有效性結論。

1 物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)結構分析和特征提取

1.1 物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)結構分析

采用有向圖模型構建物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的聚類節(jié)點分布結構模型，采用相關性的統(tǒng)計分析方法，得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的異構存儲結構模型，計算物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的模糊聚類特征分布集[6]，得到融合度函數(shù)定義為：

分析物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)集統(tǒng)計差異分布特性，得到每個插值點的實際值公式定義為：

其中，dm+1（m）為物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)集在第m點的預測值，dk+1（m）為采用第m點處采集的物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的模糊性特征量，根據(jù)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的特征提取結果采用模糊C均值聚類方法進行信息處理[7]，設定全局變量，建立物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)挖掘的模糊分割系數(shù)為：

其中，Mi表示物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)挖掘的中位數(shù);Lm為物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)挖掘的下界;fm為物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的中位數(shù);fless表示各維度下物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的最小統(tǒng)計特征量。

1.2 物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)特征提取

構建資源聚類的節(jié)點分布模型，在大數(shù)據(jù)背景下進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)分片峰值聚類優(yōu)化設計，設物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類節(jié)點圖模型屬性集為X=x1，x2，…，xn，進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類節(jié)點圖模型設計，采用語義本體模型構造的方法，進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)處理[8]，通過自相關特征匹配方法，分析2組相似的物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的相對貼近度φ1定義為：

其中，∑nj=1ωj=1，s-∈S，a-∈-0.5，0.5。設s1，a1，s2，a2，…，sn，an是一組描述物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的語義特征分布集，建立物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的統(tǒng)計分析模型，在模糊網(wǎng)格區(qū)域，進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的統(tǒng)計分析和自適應調度，在模糊語義相關性融合聚類下，進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的模糊加權分析[9]，得到模糊加權的特征分布向量為ω=（ω1，ω2，…，ωn）T，ωj∈[0，1]，考慮等價的語義映射，進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的融合分析，建立物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的統(tǒng)計特征量，通過一個映射函數(shù)M表示，M：C * C' →r描述物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的相似度信息，通過空間聚類分析的方法，進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)分布式調度，建立本體模型，進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的語義相似度融合和特征聚類處理[10]。

2 物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類

2.1 區(qū)塊鏈數(shù)據(jù)特征提取和自適應調度

采用有向圖模型構建物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的聚類節(jié)點分布結構模型，在物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)庫中進行資源信息特征提取[11]，設{（s1，a1），（s2，a2），…，（sn，an）}是物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的二元語義特征分量，采用異構有向圖分析方法進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)存儲結構設計，結合特征空間重組技術進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)結構重組，提取物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的關聯(lián)信息特征量[12]，得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的優(yōu)化加權系數(shù)為，采用統(tǒng)計分析方法進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的聚類中心檢測，得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的關聯(lián)性本體結構模型為：

對物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)進行模糊處理，構建物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的自適應調度參數(shù)SymbolQC@2F（x），建立物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的模糊決策矩陣：

物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的特征提取問題轉化為一個二元語義決策問題，物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的模糊特征匹配評價指標集為，采用主體詞匹配的方法，分析X的相似度函數(shù)，得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的模糊隸屬度函數(shù)為：

其中，x～ik為物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的語義特征量，w～ik-1為慣性權重。利用概念、實例和屬性等實體集，得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類中心節(jié)點在k+1時刻的迭代函數(shù)為：

采用決策樹模型進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的特征重構，在物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的遞歸圖模型中，采用相空間重構的方法，實現(xiàn)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的模糊特征信息采樣[13]，得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的模糊信息加群權重向量vi，物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的相關特征分布矩陣表示為：

其中，c為物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的搜索步數(shù)，μik為物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的語義關聯(lián)度決策系數(shù)。根據(jù)上述分析，進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的特征分析和優(yōu)化調度，得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的模糊聚類中心為di，采用分塊特征演化方法，進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的關聯(lián)特征檢測，得到模糊檢測向量vi，vi=（（w1，t1），（w2，t2），…（wj，tj）），結合模糊相關性融合的方法，進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的分片峰值聚類分析[14-17]。

2.2 數(shù)據(jù)分片峰值聚類的深度學習

采用模糊C均值聚類方法進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的網(wǎng)格分片峰值聚類和屬性分類識別[18]，采用深度學習方法進行數(shù)據(jù)聚類過程中的分片峰值融合和聚類分析，得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的在線聚類準則為：

物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類節(jié)點的深度學習加權系數(shù)為We=ωj（e），0。修正每個聚類自適應加權學習系數(shù)vi，就可得到聚類有效性評價矩陣R=rij，aijm×n和指標權重W=（（ω1，β1），（ω2，β2），…，（ωn，βn）），綜上分析，建立物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的深度學習模型，構建物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的模糊特征分布集[19-21]，得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的約束規(guī)劃模型為：

由此得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的最優(yōu)評價集記為L1，…，Ln和Pmin1，…，Pminn，物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的優(yōu)化聚類模型為：

其中，cosinij→x（dij，dxv）為物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的融合聚類特征集，根據(jù)上述分析，實現(xiàn)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的優(yōu)化聚類[22-23]。

3 仿真實驗與結果分析

為了驗證本文方法在實現(xiàn)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)分片峰值聚類中的應用性能，進行實驗測試分析，采用C++和Matlab 7混合編程進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的算法處理，在Hadoop云平臺中構建物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)數(shù)據(jù)庫結構模型，物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)大數(shù)據(jù)分布的初始樣本規(guī)模為1 200，量化分布訓練集為120，深度學習的步長為2.4，自適應學習的迭代步數(shù)NP=30，各組數(shù)據(jù)采樣集的相似度為0.68，根據(jù)上述仿真參數(shù)設定，進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)峰值聚類，得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的時域分布如圖1所示。

以圖1所示的數(shù)據(jù)為研究對象，采用語義相關性融合的方法進行區(qū)塊鏈數(shù)據(jù)特征提取和自適應調度，對提取的物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)特征量進行模糊聚類處理，實現(xiàn)分片峰值聚類，得到聚類結果如圖2所示。

分析圖2得知，采用本文方法進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的峰值融合度較好，收斂性較強，測試誤分率，得到結果見表1，分析表1得知，本文方法進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的誤分率較低。

分析圖3結果得知，采用本文方法進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的誤分率較低，提高了數(shù)據(jù)聚類的收斂控制能力。

4 結束語

采用模糊信息識別技術，進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的存鏈結構開發(fā)，結合物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的大數(shù)據(jù)特征分布進行異構重組，建立物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的大數(shù)據(jù)信息分析模型，本文提出基于深度學習的區(qū)塊鏈數(shù)據(jù)分片峰值聚類算法采用決策樹模型進行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的特征重構，在物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的遞歸圖模型中，采用相空間重構的方法，實現(xiàn)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的模糊特征信息采樣，采用深度學習方法進行數(shù)據(jù)聚類過程中的分片峰值融合和聚類分析，實現(xiàn)區(qū)塊鏈數(shù)據(jù)分片峰值聚類。分析得知，采用本文方法進行區(qū)塊鏈數(shù)據(jù)分片峰值聚類的收斂性較好，誤分率較低，數(shù)據(jù)聚類的精度較高。

參考文獻

[1]李宇帆，張會福，劉上力，等. 教育數(shù)據(jù)挖掘研究進展[J]. 計算機工程與應用， 2019， 55（14）： 15-23.

[2]楊歡歡， 李天瑞， 陳馨菂. 基于螺旋圖的時間序列數(shù)據(jù)可視化[J]. 計算機應用， 2017， 37（9）： 2443-2448.

[3]李勁，岳昆，蔡嬌，等. 基于距離度量的多樣性圖排序方法[J]. 軟件學報，2018，29（3）：599-613.

[4]YU Yong， WANG Ziyuan， XU Dianguo. Speed and current sensors fault detection and isolation based on adaptive observers for induction motor drivers[J]. Journal of Power Electronics， 2014， 5（14）：967-979.

[5]BERRIRI H， NAOUAR W， BAHRI I， et al. Field programmable gate array-based fault-tolerant hysteresis current control for AC machine drives[J]. IET Electric Power Applications， 2012， 6（3）：181-189.

[6]李雷，王磊，趙麗，等. 基于大數(shù)據(jù)技術的配電網(wǎng)絡節(jié)能降損技術分析[J]. 電子技術與軟件工程，2020（19）：224-225.

[7]龐俊， 于戈， 許嘉， 等. 基于MapReduce框架的海量數(shù)據(jù)相似性連接研究進展[J]. 計算機科學， 2015， 42（1）：1-5.

[8]肖文， 胡娟.? 基于數(shù)據(jù)集稀疏度的頻繁項集挖掘算法性能分析[J]. 計算機應用， 2018， 38（4）： 995-1000.

[9]李彥，劉軍. 面向大數(shù)據(jù)的多維數(shù)據(jù)缺失特征填補仿真研究[J]. 計算機仿真，2018，35（10）：432-435.

[10]王慧健， 劉崢， 李云， 等. 基于神經(jīng)網(wǎng)絡語言模型的時間序列趨勢預測方法[J]. 計算機工程， 2019， 45（7）： 13-19，25.

[11]王曉雷，陳云杰，王琛，等. 基于Q-learning的虛擬網(wǎng)絡功能調度方法[J]. 計算機工程， 2019， 45（2）： 64-69.

[12]姚富光，鐘先信，周靖超. 粒計算：一種大數(shù)據(jù)融合智能建模新方法[J]. 南京理工大學學報，2018，42（4）：503-510.

[13]王楚捷，王好賢. M-CORD下無線接入網(wǎng)絡資源分配研究[J]. 計算機工程與應用， 2018， 54（22）： 92-98.

[14]劉良鳳，劉三陽. 基于權重差異度的動態(tài)模糊聚類算法[J]. 吉林大學學報（理學版），2019，57（3）：574-582.

[15]孫力娟， 陳小東，韓 崇，等. 一種新的數(shù)據(jù)流模糊聚類方法[J]. 電子與信息學報， 2015， 37（7）： 1620-1625.

[16]于爽，李淑梅. 圖書電子資源信息分布式多模塊檢索仿真[J]. 計算機仿真，2020，37（6）：439-442.

[17]LIU Jinliang， XIAO Liang， LIU Guolong， et al. Active authentication with reinforcement learning based on ambient radio signals[J]. Multimedia Tools and Applications，2017，76（3）：3979-3998.

[18]劉全， 翟建偉， 章宗長， 等. 深度強化學習綜述[J]. 計算機學報， 2018，41（1）：1-27.

[19]姚哲，陶劍文. 多源適應多標簽分類框架[J]. 計算機工程與應用， 2017， 53（7）：88-96， 170.

[20]趙國鋒， 黎軍， 王新恒， 等. 基于SDN的WLAN負載感知切換方案實現(xiàn)[J]. 計算機應用研究，2019，36（5）：180-184

[21]ROWSHANRAD S，NAMVARASL S，ABDI V，et al. A survey on SDN， the future of networking[J]. Journal of Advanced Computer Science and Technology，2014，3（2）：232-248.

[22]田保軍， 劉爽， 房建東. 融合主題信息和卷積神經(jīng)網(wǎng)絡的混合推薦算法[J]. 計算機應用， 2020， 40（7）： 1901-1907.

[23]SHU Jiangbo， SHEN Xiaoxuan， LIU Hai，et al. A content-based recommendation algorithm for learning resources[J]. Multimedia Systems，2018， 24（2）：163-173.

基金項目： 2020年度廣東省普通高校特色人才創(chuàng)新項目（自然科學類） 項目（2019KTSCX223）。

作者簡介： 張 皓（1994-），男，博士研究生，主要研究方向：區(qū)塊鏈、計算機視覺。

通訊作者： 張 皓Email：540218310@qq.com

收稿日期： 2021-03-15`