薛歡慶，張 玲，范廣玲

(1.大慶師范學(xué)院數(shù)學(xué)科學(xué)學(xué)院，黑龍江 大慶163712；2.東北石油大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)院，黑龍江 大慶163311)

1 引言

隨著無線網(wǎng)絡(luò)通信業(yè)務(wù)量的持續(xù)增長(zhǎng)，網(wǎng)絡(luò)通信數(shù)量也隨之不斷上升，按照數(shù)據(jù)特征將此類數(shù)據(jù)劃分為連續(xù)與非連續(xù)數(shù)據(jù)。對(duì)于無線網(wǎng)絡(luò)而言，數(shù)據(jù)的傳輸質(zhì)量與有效利用率是決定其整體通信質(zhì)量高低的關(guān)鍵[1]。由于連續(xù)數(shù)據(jù)的特點(diǎn)為數(shù)據(jù)具有較高的連續(xù)性、規(guī)律性，對(duì)其實(shí)施歸納較為簡(jiǎn)單；而非連續(xù)數(shù)據(jù)的特點(diǎn)為信息量龐大、數(shù)據(jù)間斷無明顯規(guī)律，對(duì)其實(shí)施歸納較為困難[2]。因此，為提升無線網(wǎng)絡(luò)的整體通信質(zhì)量，主要需提高非連續(xù)數(shù)據(jù)的傳輸質(zhì)量與有效利用率。在無線網(wǎng)絡(luò)的數(shù)據(jù)通信過程中，通過選取不同節(jié)點(diǎn)實(shí)施數(shù)據(jù)路由，能夠獲得各種數(shù)據(jù)路徑，針對(duì)非連續(xù)數(shù)據(jù)傳輸質(zhì)量與利用率的提升，需由諸多路徑內(nèi)尋求出合適的非連續(xù)數(shù)據(jù)路徑實(shí)現(xiàn)，而由于非連續(xù)數(shù)據(jù)規(guī)律性較差，故而尋求合適路徑的前提即為對(duì)非連續(xù)數(shù)據(jù)關(guān)聯(lián)規(guī)則的挖掘[3，4]。

關(guān)系代數(shù)屬于一類查詢語言，可針對(duì)關(guān)系與其運(yùn)算實(shí)施研究，并通過運(yùn)算關(guān)系對(duì)查詢實(shí)施描述，其也可被看作是研究關(guān)系數(shù)據(jù)語言的一種數(shù)學(xué)工具，能夠通過關(guān)系描述各種實(shí)體之間的不同關(guān)聯(lián)。它的運(yùn)算對(duì)象與結(jié)果均為關(guān)系，所運(yùn)用的基礎(chǔ)運(yùn)算有笛卡爾積、差與交等，運(yùn)算符主要有邏輯與集合運(yùn)算符、比較符以及關(guān)系符等，常被應(yīng)用于各類關(guān)聯(lián)規(guī)則的挖掘當(dāng)中[5]。通過運(yùn)用關(guān)系代數(shù)挖掘出無線網(wǎng)絡(luò)數(shù)據(jù)庫內(nèi)非連續(xù)數(shù)據(jù)的關(guān)聯(lián)規(guī)則后，需選取恰當(dāng)?shù)姆椒ㄒ罁?jù)此關(guān)聯(lián)規(guī)則將無線網(wǎng)絡(luò)內(nèi)的非連續(xù)數(shù)據(jù)路徑挖掘出來。

分類屬于挖掘領(lǐng)域內(nèi)的關(guān)鍵研究方向，能夠?qū)崿F(xiàn)對(duì)所挖掘內(nèi)容類模型的有效表達(dá)，同時(shí)對(duì)以后的趨勢(shì)實(shí)施有效地預(yù)估。以數(shù)據(jù)集的特點(diǎn)為依據(jù)，將一個(gè)分類模型生成，通過所生成模型向已給定類別中的任意一種映射未知類別的樣本，此即為分類的目標(biāo)[6，7]。當(dāng)前主要運(yùn)用的分類算法之一即為支持向量機(jī)(SVM)方法，該方法屬于一種機(jī)器學(xué)習(xí)法，是在統(tǒng)計(jì)學(xué)習(xí)的基礎(chǔ)上，將最佳分類面建立于空間內(nèi)，得到分類器后達(dá)到分類未知樣本的目的[8]。該方法的特點(diǎn)為能夠?qū)Ψ蔷€性問題實(shí)施有效處理，且泛化能力較高，其關(guān)鍵缺陷為訓(xùn)練與分類速度不夠高。粒子群優(yōu)化算法屬于一類智能優(yōu)化算法，其優(yōu)點(diǎn)為收斂速度高、運(yùn)算簡(jiǎn)單、運(yùn)算精度高等，是當(dāng)前較為常用的一種優(yōu)化算法[9]。

綜合以上分析，本文研究一種基于關(guān)系代數(shù)的非連續(xù)數(shù)據(jù)路徑挖掘算法，通過運(yùn)用關(guān)系代數(shù)將網(wǎng)絡(luò)數(shù)據(jù)庫內(nèi)非連續(xù)數(shù)據(jù)的關(guān)聯(lián)規(guī)則獲取到，結(jié)合粒子群優(yōu)化算法改進(jìn)支持向量機(jī)，獲得改進(jìn)FSVM，并向改進(jìn)FSVM內(nèi)輸入所獲得的非連續(xù)數(shù)據(jù)關(guān)聯(lián)規(guī)則，運(yùn)用關(guān)聯(lián)規(guī)則尋求適合非連續(xù)數(shù)據(jù)傳輸?shù)穆窂?，?shí)現(xiàn)非連續(xù)數(shù)據(jù)路徑的分類挖掘，提升無線網(wǎng)絡(luò)中非連續(xù)數(shù)據(jù)的傳輸質(zhì)量與利用率，為提高無線網(wǎng)絡(luò)的整體通信質(zhì)量提供保障。

2 非連續(xù)數(shù)據(jù)路徑挖掘算法研究

2.1 基于關(guān)系代數(shù)的非連續(xù)數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘

挖掘非連續(xù)數(shù)據(jù)傳輸路徑的關(guān)鍵前提是對(duì)非連續(xù)數(shù)據(jù)關(guān)聯(lián)規(guī)則的挖掘，依據(jù)所挖掘的關(guān)聯(lián)規(guī)則，獲得非連續(xù)數(shù)據(jù)的傳輸路徑。在此選用基于關(guān)系代數(shù)的關(guān)聯(lián)規(guī)則挖掘算法，對(duì)無線網(wǎng)絡(luò)數(shù)據(jù)庫內(nèi)非連續(xù)數(shù)據(jù)的關(guān)聯(lián)規(guī)則實(shí)施挖掘。

通常大部分?jǐn)?shù)據(jù)庫中均包含用戶信息、數(shù)據(jù)項(xiàng)集以及標(biāo)識(shí)符等海量非連續(xù)數(shù)據(jù)，通過相應(yīng)的數(shù)據(jù)預(yù)處理方法將非關(guān)鍵屬性數(shù)據(jù)刪除掉，得到數(shù)據(jù)樣本模式類似的數(shù)個(gè)特征子集，為令非連續(xù)數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘更高效，可在所獲得的各個(gè)特征子集上分別實(shí)施關(guān)聯(lián)規(guī)則挖掘?qū)崿F(xiàn)[10]。尋得大項(xiàng)集是關(guān)聯(lián)規(guī)則挖掘的重點(diǎn)，因此以關(guān)系代數(shù)理論為基準(zhǔn)，通過運(yùn)用關(guān)系矩陣與相應(yīng)計(jì)算提出基于關(guān)系代數(shù)的非連續(xù)數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘算法(ORAR)，獲得大項(xiàng)集[11]。ORAR算法僅需對(duì)數(shù)據(jù)庫實(shí)施單次掃描，運(yùn)算效率、可伸縮性及并行性較高。

設(shè)項(xiàng)集與基礎(chǔ)數(shù)據(jù)庫分別以B和J表示，二者集合的笛卡爾乘積以B×J表示，其中，基礎(chǔ)數(shù)據(jù)庫中包含大量非連續(xù)數(shù)據(jù)，且J={j1，j2，…，jk}；交易集以S表示，且S={s1，s2，…，sz}；笛卡爾乘積的隨意一個(gè)子集均為由B至J的二元關(guān)系，則數(shù)據(jù)庫J為最高的此種二元關(guān)系。矩陣R可表示成

(1)

式中，由S至J的二元關(guān)系矩陣以l=1，2，…，z、i=1，2，…，k表示。通過數(shù)據(jù)預(yù)處理后獲得與數(shù)據(jù)庫J有關(guān)的特征子集，假設(shè)與某個(gè)特征子集相對(duì)應(yīng)的集合屬于某個(gè)關(guān)系數(shù)據(jù)庫的子集，該子集以BDj表示，且其構(gòu)成為元組(TID，itemset)對(duì)。子集BDj內(nèi)的每條記錄均與一個(gè)樣本相對(duì)應(yīng)，該子集內(nèi)對(duì)應(yīng)屬性由樣本內(nèi)的不同分量組成。將子集BDj內(nèi)的非關(guān)聯(lián)屬性TID刪掉，僅對(duì)與項(xiàng)集相對(duì)應(yīng)的屬性予以考量，如果該子集中具備的記錄與項(xiàng)數(shù)量分別為a個(gè)與c個(gè)，那么對(duì)數(shù)據(jù)庫實(shí)施單次掃描后，所獲得的關(guān)系矩陣R可表示為

(2)

1)1-L-Itemset的確定：以最低支持度閾值t與關(guān)系矩陣R作為輸入，確定步驟如下：

a.for i=1 to c

b.{mi=0；

c.for i=1 to a

d.mi=mi+rji

e.mi=mi/a}

f.for i=1 to c

g.if mi≥t then 輸出1-L-Itemset{i}

2)2-L-Itemset的獲取：由于大項(xiàng)集的子集必然屬于大項(xiàng)集，故可基于1-L-Itemset{i}將2-L-Itemset得到。假設(shè)1-L-Itemset的集合以M表示，則mj內(nèi)具備對(duì)應(yīng)的1-L-Itemset，j=1，2，…，z，以l表示該集合內(nèi)第l個(gè)屬性的標(biāo)識(shí)，也就是集合M內(nèi)存在z個(gè)元素，且z≤c。故以閾值t、關(guān)系矩陣R及集合M作為輸入，可獲得2-L-Itemset{ji}。

3)l-L-Itemset的獲取：已知兩條引理，其一為若某個(gè)項(xiàng)集不屬于大項(xiàng)集，那么隨意某個(gè)存在此項(xiàng)集的集合均不屬于大項(xiàng)集；其二為若存在(l-1)-L-Itemset，以{j1，j2，…，jl-1}表示，且該大項(xiàng)集的對(duì)應(yīng)向量以b表示，當(dāng)項(xiàng)w存在時(shí)，令rijl-1與riw(i=1，2，…，a)的支持度比閾值t低，那么{j1，j2，…，jl-1，w}不屬于l-Itemset。

假設(shè){j1，j2，…，jl-1}屬于(l-1)-L-Itemset，如果{jl-1，w}無法組成2-L-Itemset，那么{j1，j2，…，jl-1，w}項(xiàng)集則無法組成l-Itemset，即該項(xiàng)集不屬于l-L-Itemset；如果{jl-1，g}能夠組成2-L-Itemset，那么能夠?qū)j1，j2，…，jl-1，g}擴(kuò)展成l-Itemset，在DWj1∧DWj2∧DWj3…DWjl-1∧DWg時(shí)，{j1，j2，…，jl-1，g}即可組成l-L-Itemset。假設(shè)存在(l-1)-L-Itemset{j1，j2，…，jl-1}，將全部此類大項(xiàng)集與閾值t輸入，其中令l>2，生成全部對(duì)應(yīng)的l-Itemset，直到不能繼續(xù)生成時(shí)停止，獲得l-L-Itemset。

綜合以上過程，實(shí)現(xiàn)基于關(guān)系代數(shù)的非連續(xù)數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘，獲得數(shù)據(jù)庫內(nèi)非連續(xù)數(shù)據(jù)的關(guān)聯(lián)規(guī)則，為接下來實(shí)施非連續(xù)數(shù)據(jù)傳輸路徑挖掘提供依據(jù)。

2.2 基于關(guān)聯(lián)規(guī)則的非連續(xù)數(shù)據(jù)路徑挖掘

結(jié)合基礎(chǔ)支持向量機(jī)與粒子群優(yōu)化算法，獲得改進(jìn)的模糊支持向量機(jī)模型，將所獲得的非連續(xù)數(shù)據(jù)關(guān)聯(lián)規(guī)則輸入到此模型內(nèi)，實(shí)現(xiàn)對(duì)無線網(wǎng)絡(luò)內(nèi)非連續(xù)數(shù)據(jù)路徑的分類挖掘。

2.2.1 基礎(chǔ)支持向量機(jī)

yi(v·x+e)-1≥0，i=1，2，…，n

(3)

式中，偏移量以e表示；與超平面垂直的向量以v表示。經(jīng)由支持向量機(jī)對(duì)輸入空間實(shí)施非線性變換后，獲得高維空間，在此空間內(nèi)對(duì)最佳線性分類面實(shí)施求解。變換中應(yīng)用的核函數(shù)為RBF，表達(dá)式為

(4)

式中，核參數(shù)以γ表示，同時(shí)γ>0。

2.2.2 改進(jìn)的模糊支持向量機(jī)

1)有效的待選支持向量預(yù)選取

在此將訓(xùn)練樣本集劃分成正、負(fù)兩類，由該樣本集內(nèi)預(yù)選取出有效的待選支持向量。主要分為以下兩種情形：

①線性可分：設(shè)已知樣本向量組以{x1，x2，…，xn}表示，那么中心o即為此類樣本的平均特征，可表示為

(5)

②非線性可分：通過非線性函數(shù)將兩個(gè)已知向量x與y向特征空間內(nèi)映射，那么在此空間內(nèi)二者的歐氏間距可表示成

(6)

式中，核函數(shù)以K(·)表示。則此空間樣本的中心向量0θ可表示成

(7)

以式(5)或者式(7)為依據(jù)，將正類與負(fù)類中心0+、0-運(yùn)算出來，同時(shí)對(duì)二者的間距實(shí)施運(yùn)算，即

d′=|o+-o-|

(8)

對(duì)兩類樣本集內(nèi)全部樣本與異類中心o之間的間距依次實(shí)施運(yùn)算，并選取出比d′小的樣本，以此類樣本作為待選支持向量，所運(yùn)用的運(yùn)算公式為

d″=|xi-o|

(9)

也就是將d″

2)全新模糊隸屬度函數(shù)

由于改進(jìn)的模糊支持向量機(jī)(FSVM)是通過與超平面間距最小的點(diǎn)獲得最佳分類面，也就是通過支持向量獲得的，但一般情況下，支持向量所處位置為與類中心相距較遠(yuǎn)處，故而所得到的隸屬度較小，易造成分類超平面與最佳分類面的偏離[13]。為解決此問題，提出一種全新的隸屬度函數(shù)，令樣本的隸屬度與類中心間距成正比。通過式(5)或者式(7)能夠獲得0+與0-，則各正類樣本與正類中心、各負(fù)類樣本與負(fù)類中心的間距分別表示為

(10)

設(shè)預(yù)選取支持向量之后的正類與負(fù)類樣本分別以X+和X-表示，那么全新的隸屬度函數(shù)可表示為

(11)

式中，足夠小的正數(shù)以Ф表示，防止ui=0的狀況產(chǎn)生。

3)快速FSVM分類挖掘算法

經(jīng)由以上過程對(duì)FSVM實(shí)施訓(xùn)練，在訓(xùn)練時(shí)發(fā)現(xiàn)部分訓(xùn)練樣本并未起到作用，因此，為有效降低運(yùn)算量，提升實(shí)際分類挖掘效率，需對(duì)支持向量實(shí)施有效地縮減。以保證FSVM分類挖掘精度為前提，選用粒子群優(yōu)化算法縮減支持向量，提升分類挖掘速度[14]。通過對(duì)FSVM實(shí)施訓(xùn)練后，獲取到支持向量集的模糊隸屬度向量，選用此向量當(dāng)作粒子群優(yōu)化算法的粒子，適應(yīng)度函數(shù)選取為測(cè)試集的平均分類挖掘誤差，挑選出最佳支持向量子集對(duì)支持向量實(shí)施有效縮減，實(shí)現(xiàn)分類挖掘速度的有效提升。具體過程如下：

①粒子群優(yōu)化算法：粒子的移動(dòng)間距與方向由粒子的速度決定，粒子速度的調(diào)整與其本身及其余粒子的移動(dòng)經(jīng)驗(yàn)保持同步，以此達(dá)到可解空間內(nèi)的個(gè)體尋優(yōu)[15]。設(shè)某個(gè)搜尋空間的維度為F，此空間內(nèi)第i個(gè)粒子的速度與位置屬性分別以Vi與Yi表示，且Vi=(v1，v2，…，viF)、Yi=(yi1，yi2，…，yiF)；該粒子的全局與個(gè)體極值分別以Qh與Qi表示，且Qh=(qh1，qh2，…，qhF)、Qi=(qi1，qi2，…，qiF)，則粒子的速度更新公式可表示成

(12)

(13)

②編碼方式：粒子群優(yōu)化算法的各個(gè)粒子均代表一個(gè)解，運(yùn)用該算法簡(jiǎn)化FSVM的支持向量，對(duì)FSVM實(shí)施訓(xùn)練后所獲取的m個(gè)支持向量即為粒子維數(shù)；支持向量集的每個(gè)子集對(duì)應(yīng)一個(gè)粒子，以式(11)為依據(jù)，運(yùn)算此類樣本的隸屬度；設(shè)所得隸屬度在umin～umax區(qū)間內(nèi)，將初始化粒子的位置區(qū)間選定為此區(qū)間，初始化粒子群空間內(nèi)的某個(gè)粒子為運(yùn)算所得的m個(gè)樣本權(quán)重向量，各粒子均具備自身的速度與位置；其中，樣本的隸屬度通過位置表示，通過速度調(diào)整；預(yù)先給定閾值，當(dāng)粒子向外輸出時(shí)，若隸屬度比此閾值高，則此隸屬度值不實(shí)施調(diào)整，選定此樣本，反之則將隸屬度調(diào)整成0，不選取此樣本。

③適應(yīng)度函數(shù)：由初始訓(xùn)練樣本內(nèi)任意選取40%樣本當(dāng)作測(cè)試集，在待選支持向量預(yù)選取、全新隸屬度函數(shù)設(shè)定及粒子群優(yōu)化算法縮減FSVM訓(xùn)練后支持向量的基礎(chǔ)上，以所選取測(cè)試集的平均分類挖掘誤差為粒子的適應(yīng)值，故適應(yīng)度函數(shù)可表示成

(14)

式中，真實(shí)值與預(yù)估值分別以pi和pi′表示；測(cè)試集的總樣本數(shù)以M′表示。

2.2.3 基于改進(jìn)FSVM的快速分類挖掘過程

基于改進(jìn)FSVM的快速非連續(xù)數(shù)據(jù)路徑分類挖掘算法過程為：

1)將非連續(xù)數(shù)據(jù)關(guān)聯(lián)規(guī)則、訓(xùn)練樣本集S′={(x1，y1)，(x2，y2)，…，(xn，yn)}輸入到改進(jìn)FSVM內(nèi)，依據(jù)式(5)或者式(7)將正、負(fù)類中心得出，同時(shí)運(yùn)用式(8)運(yùn)算出二者的間距；

2)通過式(9)依次對(duì)正、負(fù)兩類樣本與各自類中心的間距實(shí)施運(yùn)算，同時(shí)由其中挑選出間距比正、負(fù)類中心間距低的樣本，將此類樣本當(dāng)作待選支持向量，構(gòu)成有效待選支持向量集合；

3)通過式(10)求得樣本的隸屬度，將模糊化的待選支持向量集合獲取到，對(duì)此集合實(shí)施FSVM訓(xùn)練后獲取支持向量集合；

4)對(duì)粒子群實(shí)施初始化，并將運(yùn)算所得的m個(gè)支持向量的權(quán)重向量當(dāng)作初始化后該粒子群的某個(gè)粒子；

5)將其中全部粒子的位置留存下來；

6)分別對(duì)留存的粒子位置實(shí)施判別，若此位置比設(shè)定閾值高，那么不對(duì)此位置實(shí)施更改，反之則將此位置變成0，由此選出支持向量子集；

7)對(duì)通過各粒子選出的各個(gè)支持向量子集依次實(shí)施FSVM訓(xùn)練，將判別函數(shù)獲取到，以此函數(shù)為依據(jù)，測(cè)試所選取測(cè)試集，同時(shí)通過式(14)對(duì)粒子的適應(yīng)度值實(shí)施運(yùn)算，以運(yùn)算所得結(jié)果為依據(jù)，對(duì)粒子的個(gè)體與全局最佳位置分別實(shí)施調(diào)節(jié)；

8)運(yùn)用式(12)、(13)對(duì)粒子群實(shí)施更新，對(duì)能夠達(dá)到循環(huán)終止條件實(shí)施判別，若適應(yīng)度值不發(fā)生改變，即可終止并將最終結(jié)果輸出，反之則跳回至第5)步；

9)通過所得輸出結(jié)果對(duì)FSVM實(shí)施訓(xùn)練后，將縮減支持向量之后的決策函數(shù)獲取到，運(yùn)用此函數(shù)結(jié)合非連續(xù)數(shù)據(jù)關(guān)聯(lián)規(guī)則實(shí)現(xiàn)非連續(xù)數(shù)據(jù)路徑的分類挖掘。

3 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)采用MATLAB仿真工具箱進(jìn)行仿真分析，隨機(jī)選取15種網(wǎng)絡(luò)構(gòu)成復(fù)雜網(wǎng)絡(luò)，整體復(fù)雜網(wǎng)絡(luò)共具備350個(gè)節(jié)點(diǎn)，1250Byte數(shù)據(jù)流，其中非連續(xù)數(shù)據(jù)流為570Byte，整體復(fù)雜網(wǎng)絡(luò)共包含168條數(shù)據(jù)路徑。運(yùn)用本文算法對(duì)實(shí)驗(yàn)網(wǎng)絡(luò)實(shí)施非連續(xù)數(shù)據(jù)路徑挖掘，檢驗(yàn)挖掘過程中本文算法的挖掘性能，以及實(shí)驗(yàn)網(wǎng)絡(luò)應(yīng)用本文算法所挖掘路徑實(shí)施非連續(xù)數(shù)據(jù)傳輸后的實(shí)際效果，以此分析本文算法的綜合性能。

由15種網(wǎng)絡(luò)內(nèi)隨機(jī)選取9個(gè)網(wǎng)絡(luò)的數(shù)據(jù)路徑作為訓(xùn)練樣本實(shí)施訓(xùn)練，其余6個(gè)網(wǎng)絡(luò)的數(shù)據(jù)路徑作為測(cè)試樣本實(shí)施測(cè)試，其中，訓(xùn)練樣本內(nèi)的樣本數(shù)為96，測(cè)試樣本內(nèi)的樣本數(shù)為72。檢驗(yàn)本文算法引入粒子群優(yōu)化算法改進(jìn)FSVM過程中，各階段對(duì)訓(xùn)練樣本實(shí)施正、負(fù)類樣本分類的效果，分析本文算法的改進(jìn)效果。主要包含基礎(chǔ)支持向量機(jī)階段、FSVM階段及粒子群優(yōu)化階段的分類結(jié)果，所得結(jié)果如圖1所示。

圖1 本文算法各階段的正、負(fù)類樣本分類結(jié)果

通過圖1可看出，F(xiàn)SVM階段與基礎(chǔ)支持向量機(jī)階段分類所得的正、負(fù)類樣本數(shù)量幾乎相同，而粒子群優(yōu)化階段分類所得的正、負(fù)類樣本數(shù)量均低于前兩個(gè)階段，原因是此階段在FSVM的基礎(chǔ)上引入了粒子群優(yōu)化算法實(shí)施改進(jìn)，有效約簡(jiǎn)了支持向量，減少了樣本數(shù)量。

將測(cè)試集分成6個(gè)子集，每個(gè)子集對(duì)應(yīng)一個(gè)網(wǎng)絡(luò)(A～F)，子集內(nèi)的樣本數(shù)對(duì)應(yīng)網(wǎng)絡(luò)內(nèi)的數(shù)據(jù)路徑數(shù)量，運(yùn)用本文算法對(duì)各個(gè)子集分別實(shí)施數(shù)次分類挖掘?qū)嶒?yàn)，將各個(gè)子集內(nèi)的非連續(xù)數(shù)據(jù)路徑挖掘出來，統(tǒng)計(jì)本文算法數(shù)次挖掘的分類挖掘用時(shí)與精度，以數(shù)次實(shí)驗(yàn)的平均值為實(shí)驗(yàn)驗(yàn)證結(jié)果，并將所得結(jié)果與基礎(chǔ)支持向量機(jī)、FSVM的結(jié)果實(shí)施對(duì)比，檢驗(yàn)本文算法的挖掘性能。所得檢驗(yàn)結(jié)果如表1所示。

表1 本文算法的挖掘性能檢驗(yàn)結(jié)果

分析表1能夠得出，本文算法對(duì)6個(gè)測(cè)試子集的平均分類挖掘用時(shí)為0.455s，平均準(zhǔn)確度值為0.955，而基礎(chǔ)支持向量機(jī)對(duì)6個(gè)測(cè)試子集的平均分類挖掘用時(shí)與平均準(zhǔn)確度分別為1.627s和0.921，F(xiàn)SVM對(duì)6個(gè)測(cè)試子集的平均分類挖掘用時(shí)與平均準(zhǔn)確度分別為1.653s和0.954，綜合可見，本文算法的平均準(zhǔn)確度與FSVM十分接近，但平均分類挖掘用時(shí)較基礎(chǔ)支持向量機(jī)與FSVM而言，分別降低了72.03%和72.47%，原因是本文算法運(yùn)用粒子群優(yōu)化算法改進(jìn)FSVM，實(shí)現(xiàn)對(duì)支持向量的有效約簡(jiǎn)，顯著減少樣本數(shù)量，降低分類挖掘用時(shí)，保障分類挖掘精度的同時(shí)，提高最終的分類挖掘速度。

以測(cè)試集內(nèi)的6個(gè)實(shí)驗(yàn)網(wǎng)絡(luò)為例，檢驗(yàn)各網(wǎng)絡(luò)應(yīng)用本文算法所挖掘路徑前后，非連續(xù)數(shù)據(jù)傳輸?shù)膶?shí)際效果，選取非連續(xù)數(shù)據(jù)發(fā)送成功率與接收時(shí)延作為檢驗(yàn)指標(biāo)，統(tǒng)計(jì)所得檢驗(yàn)結(jié)果如圖2所示。

圖2 本文算法挖掘路徑應(yīng)用前后各網(wǎng)絡(luò)數(shù)據(jù)傳輸效果

由圖2能夠得出，未應(yīng)用本文算法挖掘路徑時(shí)，各實(shí)驗(yàn)網(wǎng)絡(luò)的非連續(xù)數(shù)據(jù)發(fā)送成功率介于88.6%～91.8%之間，非連續(xù)數(shù)據(jù)接收時(shí)延位于180ms～220ms之間，而應(yīng)用本文算法所挖掘路徑后，各實(shí)驗(yàn)網(wǎng)絡(luò)的非連續(xù)數(shù)據(jù)發(fā)送成功率達(dá)到97.5%～98.8%區(qū)間，接收時(shí)延位于115ms～135ms之間，由此說明，應(yīng)用本文算法所挖掘的非連續(xù)數(shù)據(jù)路徑后，能夠顯著提升網(wǎng)絡(luò)的非連續(xù)數(shù)據(jù)發(fā)送成功率，并降低非連續(xù)數(shù)據(jù)接收時(shí)延，提升網(wǎng)絡(luò)的非連續(xù)數(shù)據(jù)傳輸效果與數(shù)據(jù)利用率，有效改善網(wǎng)絡(luò)的非連續(xù)數(shù)據(jù)通信質(zhì)量。

4 結(jié)論

網(wǎng)絡(luò)通信中非連續(xù)數(shù)據(jù)的傳輸質(zhì)量與利用率高低，直接影響著網(wǎng)絡(luò)通信的整體質(zhì)量，同時(shí)也影響用戶的使用感受，為提升網(wǎng)絡(luò)的整體通信質(zhì)量，提高用戶的滿意度，本文針對(duì)一種基于關(guān)系代數(shù)的非連續(xù)數(shù)據(jù)路徑挖掘算法展開研究，通過基于關(guān)系代數(shù)的關(guān)聯(lián)規(guī)則挖掘算法，獲取到網(wǎng)絡(luò)數(shù)據(jù)庫內(nèi)非連續(xù)數(shù)據(jù)的關(guān)聯(lián)規(guī)則，在基礎(chǔ)支持向量機(jī)的基礎(chǔ)上，通過預(yù)選取待選支持向量、設(shè)定全新隸屬度函數(shù)及粒子群優(yōu)化算法約簡(jiǎn)支持向量后，獲得改進(jìn)的FSVM，將所獲取的非連續(xù)數(shù)據(jù)關(guān)聯(lián)規(guī)則輸入改進(jìn)的FSVM，實(shí)現(xiàn)對(duì)非連續(xù)數(shù)據(jù)路徑的分類挖掘，實(shí)際應(yīng)用結(jié)果表明，本文算法可在保障挖掘精度的前提下，通過有效約簡(jiǎn)支持向量，減少正、負(fù)類樣本的分類數(shù)量，顯著降低挖掘用時(shí)，提升整體挖掘效率；將本文算法所挖掘路徑應(yīng)用到實(shí)驗(yàn)網(wǎng)絡(luò)中，能夠有效改善實(shí)驗(yàn)網(wǎng)絡(luò)對(duì)非連續(xù)數(shù)據(jù)的發(fā)送與接收效果，提高網(wǎng)絡(luò)的非連續(xù)數(shù)據(jù)利用率與通信質(zhì)量。