雙冗余網絡高維離散數據特征檢測方法研究

肖 峰

(安徽職業技術學院 信息工程學院，安徽 合肥 230031)

隨著分布式的網絡組網技術的發展，網絡的冗余度較高.為了有效降低網絡數據的冗余度，提升網絡數據的傳輸效率.相關研究人員作出以下改進：首先，構建了雙冗余網絡高維離散數據調度和特征信息識別模型，優化了數據庫存儲結構；然后，提取雙冗余網絡高維離散數據特征量；最后，根據提取結果進行網絡組網控制和信息化調度[1]，實現雙冗余網絡高維離散數據融合處理.從而提高雙冗余網絡的信息訪問和傳輸調度能力，相關的雙冗余網絡高維離散數據調度和特征提取方法研究受到人們的極大關注.

對雙冗余網絡高維離散數據特征提取是實現數據優化訪問和信息組網控制的關鍵[2]，通過構建雙冗余網絡高維離散數據的特征辨識模型，采用多維信息空間重組，實現雙冗余網絡高維離散數據訪問和采集.傳統方法中，對雙冗余網絡高維離散數據的特征提取方法主要有模糊度采集方法、線性融合方法、關聯特征匹配方法等[3-5]，構建雙冗余網絡高維離散數據的融合模型，采用統計信息分析，實現雙冗余網絡高維離散數據特征提取和回歸分析，但傳統方法進行雙冗余網絡高維離散數據特征提取的自適應性不好，抗干擾能力不強.針對傳統方法存在的弊端，本文提出基于模糊參數融合的雙冗余網絡高維離散數據特征檢測方法.首先采用云融合調度方法，分析雙冗余網絡高維離散數據的關聯規則信息，構建雙冗余網絡高維離散數據特征融合模型；然后采用自適應特征匹配和模板集線性調度，實現對雙冗余網絡高維離散數據的統計特征分析，在機器學習算法和模糊度檢測方法的引導下，實現雙冗余網絡高維離散數據特征檢測過程中的自適應尋優、收斂性控制和優化.最后進行仿真實驗測試，展示了本文方法在提高雙冗余網絡高維離散數據特征檢測能力方面的優越性.

1 雙冗余網絡高維離散數據分布結構和信息融合

1.1 雙冗余網絡高維離散數據分布結構模型

為了實現雙冗余網絡高維離散數據信息檢測，首先構建雙冗余網絡高維數據分布結構模型，結合子圖抽取和子圖結構分析的方法[6]，構建雙冗余網絡高維離散數據分布區域的相似圖結構，如圖1所示.

圖1 雙冗余網絡高維離散數據分布的相似圖結構

(1)

(2)

式中，N(u)={u0,u1,…,ui+k}為雙冗余網絡高維離散數據的分布節點匹配度，u是本體的關系相似性水平，i是離散數據節點數量.構建雙冗余網絡高維離散數據的分布結構模型，得到雙冗余網絡高維離散數據本體分布函數為

(3)

(4)

式中，P(u)為雙冗余網絡高維離散數據本體匹配參數集，Ci(i=0,1,…,n)為雙冗余網絡高維離散數據的節點出入度.采用邏輯單元編碼的方法構建雙冗余網絡高維離散數據傳輸信道均衡配置模型[8]，得到雙冗余網絡高維離散數據的分布式近融合Wi(i=0,1,…,n)，記錄知識點本體的編號，通過空間調度，得到雙冗余網絡高維離散數據檢測的尋優模型滿足W0>0，采用云融合調度方法[9]，構建雙冗余網絡高維離散數據的自適應調度和特征融合模型，提高數據檢測的效能.

1.2 雙冗余網絡高維離散數據融合處理

采用學習資源本體數據融合分析的方法，構建雙冗余網絡高維離散數據的節點異構模型[10]，通過知識點本體簡化融合的方法[11]，得到雙冗余網絡高維離散數據的近似同構匹配輸出為

(5)

(6)

(7)

忽略雙冗余網絡高維離散數據的輸出高階分量H.O.T的干擾，采用波特間隔均衡得到雙冗余網絡高維離散數據的均衡調度模型，采用雙線性編碼的方法，分析雙冗余網絡高維離散數據的信息增量Δui+1，得到雙冗余網絡高維離散數據融合處理函數表示為

(8)

式中，Ts為雙冗余網絡高維離散數據的曲線插補周期，冗余網絡高維離散數據的統計信息量為u(ti)=ui,u(ti+1)=ui+1，根據上述計算結果，實現雙冗余網絡高維離散數據融合處理.通過自適應特征匹配和模板集線性調度，實現對雙冗余網絡高維離散數據的統計特征分析.

2 雙冗余網絡高維離散數據特征檢測優化

2.1 雙冗余網絡高維離散數據特征提取

建立雙冗余網絡高維離散數據傳輸的負載分配模型，采用梯度信息特征分解的方法，得到雙冗余網絡高維離散數據的統計特征輸出為

(9)

式中，?表示雙冗余網絡高維離散數據傳輸的負載參數，WTz表示雙冗余網絡高維離散數據傳輸向量函數，E(x)表示梯度信息模型函數.

在機器學習算法引導下，構建雙冗余網絡高維離散數據的自相關特征匹配集為

(10)

式中，rk表示雙冗余網絡高維離散數據的自適應匹配度，rD表示雙冗余網絡高維離散數據的特征分析量.采用空間特征聚類分析方法，建立雙冗余網絡高維離散數據特征檢測模型，得到多徑特征分量表示為

(11)

式中，an(t)表示雙冗余網絡高維離散數據空間特征參數集.構建主網雙冗余網絡高維離散數據的Hash特征向量φ=(φ1,φ2,…,φn)，采用機器學習迭代控制，得到雙冗余網絡高維離散數據特征提取的學習算子為

(12)

采用多維空間參數特征結合的方法構建雙冗余網絡高維離散數據空間重構模型，提取雙冗余網絡高維離散數據特征進行模糊度檢測，實現雙冗余網絡高維離散數據的尋優化輸出.

2.2 雙冗余網絡高維離散數據特征模糊度檢測

在提取雙冗余網絡高維離散數據特征的基礎上，通過模糊度特征信息提取方法，構建大數據特征聚類模型，采用非線性融合聚類分析，得到雙冗余網絡高維離散數據的編碼輸出為

(13)

式中，di,j(i=0,1,…,m;j=0,1,…,n)為雙冗余網絡高維離散數據的空間混淆度.根據雙冗余網絡高維離散數據的敏感度分量實現均衡控制，當m=1時，雙冗余網格的空間混淆度為最小值，即di,,j=snξ，在雙冗余網絡高維離散數據重復鄰域空間(t,f)內，數據的離散調度分布為

(14)

(15)

結合分組樣本的方法，對u作線性特征分離，得到雙冗余網絡高維離散數據的模糊度匹配輸出為

(16)

其中，ti表示模糊采樣時間節點.采用i次迭代插值方法，構建雙冗余網絡高維離散數據的統計分析模型，得到雙冗余網絡高維離散數據的模糊特征分量為

(17)

根據以上算法構建雙冗余網絡高維離散數據的濾q1q2q1dq2d波檢測模型，完成雙冗余網絡高維離散數據特征檢測過程中的自適應尋優和收斂性控制，實現雙冗余網絡高維離散數據特征檢測優化，提高主網雙冗余網絡高維離散數據的信息飽和度.

3 仿真實驗與結果分析

為了驗證本文方法在實現雙冗余網絡高維離散數據特征檢測的應用性能，進行仿真實驗，實驗中對雙冗余網絡高維離散數據采樣的序列長度為1024，參考序列的幀采樣帶寬為18 Bps，模糊度辨識參數為0.34，數據的相似度分布系數為0.63，雙冗余網絡高維離散數據特征融合的時間間隔是2.56 s，自適應特征分布式融合的特征辨識頻率為35 KHz，根據上述參數設定，構建雙冗余網絡高維離散數據特征檢測模型，得到雙冗余網絡高維離散數據輸出測試樣本如圖2所示.

圖2 雙冗余網絡高維離散數據測試樣本

以圖2的雙冗余網絡高維離散數據測試樣本為研究對象，實現對雙冗余網絡高維離散數據的譜特征提取檢測，得到檢測結果如圖3所示.

圖3 雙冗余網絡高維離散數據特征檢測輸出

分析圖3得知，本文方法能有效實現雙冗余網絡高維離散數據的譜特征檢測，數據檢測的特征收斂性和聚類性較好.測試雙冗余網絡高維離散數據特征檢測的準確概率，得到結果如圖4所示.

圖4 雙冗余網絡高維離散數據檢測概率測試

分析圖4得知，本文方法對雙冗余網絡高維離散數據檢測的準確概率較高，檢測檢測性能較好.

4 結語

本文提出基于模糊參數融合的雙冗余網絡高維離散數據特征檢測方法.結合子圖抽取和子圖結構特征分析的方法，構建雙冗余網絡高維離散數據分布區域的相似圖結構，采用學習資源本體特征分析的方法，構建雙冗余網絡高維離散數據的節點異構模型，構建雙冗余網絡高維離散數據的濾波檢測模型，完成雙冗余網絡高維離散數據特征檢測過程中的自適應尋優和收斂性控制.研究得知，本文方法進行雙冗余網絡高維離散數據特征檢測的精度較高，檢測能力較好.