塊匹配約束下波束快速稀疏分解算法研究

張勁波 曾德生 駱金維

摘 要： 在塊匹配約束環境下，對云計算的波束進行快速分解時，如果云計算受到多線程過程干擾，那末波束形成和稀疏分解效果不好。提出基于塊匹配約束云計算波束快速稀疏算法。進行云計算的網絡拓撲結構構建和云計算任務信息流的信號模型構造，提高信息預處理能力。采用塊匹配約束方法進行云計算負載均衡設計，通過分段塊匹配約束濾波，直接對分段后的云就按數據進行抗干擾設計，實現波束快速稀疏分解，提高了云計算的數據并行處理效率和能力。仿真結果表明，采用該算法實現云計算任務信息流的波束快速稀疏分解，提高云計算并行處理效率和能力。

關鍵詞： 云計算; 波束形成; 稀疏分解; 塊匹配約束

中圖分類號： TP393 ? ? ?文獻標志碼： A

Abstract： In the environment of block matching constraint， when the beam of cloud computing is decomposed quickly， and the cloud computing is interfered by multi-thread process， the effect of beamforming and sparse decomposition is not good. A fast algorithm based on block matching constraint for cloud computing is proposed. We construct signal model of network topology construction of cloud computing and cloud computing tasks of information flow， and improve the ability of information preprocessing. The block matching constraint method is used for cloud computing load balancing design. Through the sub block matching constraint filtering， the segmented cloud data are directly designed according to the anti-jamming design， and the fast sparse decomposition of beams is then realized. It improves the cloud computing data parallel processing efficiency and ability. The simulation results show that the algorithm can achieve the fast beam sparse decomposition of the cloud computing task information flow， and improve the efficiency and capability of parallel processing.

Key words： cloud computing; beam forming; sparse decomposition; block matching constraint

0 引言

云計算的波束快速稀疏分解算法是波束形成算法的擴展，通過波束稀疏分解，提高云計算數據的波束集成和并行處理能力，云計算的波束快速稀疏算法在移動網絡通信和移動數字信息處理中應用較為廣泛，研究云計算信息數據流的波束形成和稀疏分解，對提高云計算的并行處理能力具有重要意義，相關算法研究受到廣大專家的重視[1]。移動云計算的波束快速稀疏分解為用戶的多樣性選擇提供必要的框架支撐，通過移動云計算波束快速稀疏分解和波束形成，提高移動通信的數據并行處理能力[2]。

傳統的波束稀疏分解方法采用Monte Carlo熵權決策方法，當云計算受到多線程過程干擾時，波束形成和稀疏分解效果不好;文獻[3]提出一種基于節點行為信息流自相關特征提取和數據融合的云計算波束快速稀疏算法，提高云計算網絡分簇設計和聚類中心搜索性能，但算法沒能有效解決云數據特征分區融合的問題，數據融合和均勻量化精度不高，對云計算的并行處理能力沒有實質性的改進。針對上述問題，本文提出一種基于塊匹配約束云計算波束快速稀疏分解算法。首先進行云計算的網絡拓撲結構構建和云計算任務信息流的信號模型構造，采用塊匹配約束方法進行云計算負載均衡設計，以此為基礎對波束形成和快速稀疏算法進行改進設計，并通過相關的仿真實驗對本文方法性能進行驗證。

1 云計算網絡拓撲結構和信息預處理

1.1 基礎知識描述和網絡拓撲結構構建

云計算是采用信號處理算法進行波束形成，采用離散數據均勻量化方法構建云計算網絡拓撲結構，移動云計算中，通過無線通信方式實現數據調度和傳輸，實現移動云計算簇間波動數據的均勻量化[4]。以此為基礎，采用現代信號處理技術，實現云計算的波束快速稀疏處理，提高并行計算能力，構建云計算的網絡拓撲結構模型。

整個云計算網絡采用網格形式，網格拓撲結構分為三層：

第一層連接互聯網的通信節點和數據信息處理單元，具有低帶寬和高速信號處理屬性[5-6]。

第二層由LAN（本地局域網）組成，設計高速網絡流路由分簇模型，來收集云計算的數據和信息處理資源，其中每個LAN的帶寬較第一層有較大增益，實現動態分級式復制。

第三層是云計算網絡的LAN中的拓撲結構節點[7-8]。

通過上述三層云計算網絡拓撲設計，得到云計算下的數據處理網絡通信拓撲結構示意圖，如圖1所示。

3 仿真實驗與性能驗證

3.1 實驗環境與實驗配置參數

為了驗證本文算法在實現云計算優化快速波束形成和稀疏處理，提高云計算并行處理效率方面的性能，進行仿真實驗。實驗中，采用Matlab仿真實驗工具進行算法設計和仿真，在移動云計算參數設計中，假設移動云計算的波束形成決策屬性取值為Dx=2，依據云計算任務調度信任度最大化原則，進行云計算波束形成網格分區，假設在云計算環境中，數據查詢模版處理HDFS文件中的數據大小不超過64 MB，云計算數據通信資源負載傳輸信道為2 Mbps，云計算的塊匹配數據包長度為512個字節。其他實驗參數如表1所示。

3.2 云計算波束稀疏分解仿真對比

根據上述參數設計和實驗環境描述，進行云計算波束形成和稀疏分解仿真，首先構建云計算任務信息流的信號模型構建，得到云計算任務信息流的信號時域采樣波形，如圖2所示。

以上述信號采樣為研究對象，采用本文算法進行云計算波束稀疏處理，為了對比算法性能，采樣傳統的DOA算法進行性能對比，得到兩種算法下云計算的波束稀疏分解結果，如圖3所示。

從圖3可以看出，本文算法進行云計算波束稀疏分解，具有較強的抗干擾能力，通過本文設計的塊匹配約束濾波，對分段后的數據進行匹配濾波，能有效去除云計算中的數據干擾，提高并行處理能力，定量分析可知，采用本文算法，對相同規模的海量數據進行云計算并行處理，效率提高28.5%，性能優越。

4 總結

通過對云計算信息數據流的波束形成和稀疏分解，提高對云計算的并行處理能力，本文提出一種基于塊匹配約束云計算波束快速稀疏算法。首先進行云計算的網絡拓撲結構構建和云計算任務信息流的信號模型構造，采用塊匹配約束方法進行云計算負載均衡設計，實現波束快速稀疏分解，提高數據處理能力。以此為基礎進行波束形成算法和快速稀疏算法改進，仿真結果表明，采用本文算法對分段后的數據進行匹配濾波，能有效去除云計算中的數據干擾，實現云計算任務信息流的波束快速稀疏分解，提高并行處理能力。

參考文獻

[1] 曹占中，胡冬妮，李煦，等.迭代數控制的稀疏約束波束形成算法[J].網絡新媒體技術，2017，6（6）：48-53.

[2] 歐國建，蔣清平，秦長春.基于子空間的三階多項式相位信號快速稀疏分解算法[J].電子與信息學報，2018，40（3）：648-655.

[3] 周雙紅，王玲玲.多特征值分解的稀疏混沌信號盲源分離算法研究[J].智能系統學報，2018，13（5）：843-847.

[4] 謝少彪，倪濤.基于投影空間重構的小信號波束形成[J].電子設計工程，2016，24（10）：32-34.

[5] 韓貞陽，陳興蜀，胡亮，等.基于軟件定義網絡的IaaS虛擬機通信訪問控制方法[J].計算機應用，2015，35（5）：1262-1266.

[6] 劉娜.信息安全技術在播控系統中的應用[J].電視技術，2015，39（10）：88-90.

[7] 許剛，馬爽.動態尺度塊匹配約束下的鏈式優化圖像修復研究[J].電子學報，2015，43（3）：529-535.

[8] 陳普強，郭立君，張榮，等.基于全局空間約束塊匹配的目標人體識別[J].計算機研究與發展，2015，52（3）：596-605.

[9] 劉占林，王琰，楊大為.壓縮感知的矩陣低秩稀疏分解目標跟蹤算法[J].小型微型計算機系統，2017，38（4）：881-885.

[10] 汪小葉，陽召成，黃建軍，等.脈沖噪聲下加權稀疏約束穩健波束形成方法[J].信號處理，2017，33（3）：288-293.

[11] 王永強，謝軍，律方成.基于改進量子粒子群優化稀疏分解的局放信號去噪方法[J].電工技術學報，2015，30（12）：320-329.

[12] 陳沛，趙擁軍，劉成城.基于稀疏重構的共形陣列穩健自適應波束形成算法[J].電子與信息學報，2017，39（2）：301-308.

[13] 沈志博，董春曦，黃龍，等.一種基于稀疏分解的窄帶信號頻率估計算法[J].電子與信息學報，2015，37（4）：907-912.

[14] 王麗，馮燕.基于粒子群優化的圖像稀疏分解算法研究[J].計算機仿真，2015，32（11）：363-367.

[15] 陳雷，鄭德忠，趙興濤，等.基于匹配追蹤稀疏分解的電能質量擾動檢測[J].儀器儀表學報，2015，36（11）：2401-2410.

[16] 杜永興， 馬新， 李寶山，等. 一種加權稀疏約束的Capon波束成形算法[J]. 電信科學， 2018， 34（3）：112-117.

[17] 王斯琪，馮象初，張瑞，等.基于最大范數的低秩稀疏分解模型[J].電子與信息學報，2015，37（11）：2601-2607.

[18] 鹿玉澤，王玉璽，鄭家毅，等.一種基于稀疏干擾協方差矩陣重構的穩健自適應波束形成算法[J].電子設計工程，2017，25（16）：51-55.

（收稿日期： 2019.07.02）