工業環境下的人機交互狀態數據仿真研究

王 鵬

(河北師范大學美術與設計學院，河北 石家莊 050024)

1 引言

工業化信息技術的發展，需對工業化環境下的人機交互數據進行優化挖掘和檢測[1]，研究工業環境下的人機交互狀態數據模擬模型，在促進工業化信息技術的發展和數據的交互設計方面具有重要意義，相關的工業環境下的人機交互狀態數據模擬方法研究受到人們的極大關注[2-3]。

文獻[4]中提出一種基于模糊指向性聚類的工業環境下的人機交互狀態數據挖掘方法，結合聚類劃分的方法實現對人機交互狀態數據的挖掘，但該方法的聚類性不好，對工業環境下的人機交互狀態數據的模擬性不好。文獻[5]中提出一種基于差異性特征分析的工業環境下的人機交互狀態數據模擬方法，采用自適應匹配濾波方法對工業環境下的人機交互狀態數據進行去干擾處理，提取工業環境下的人機交互狀態數據的能量密度譜特征，實現數據優化挖掘，但該方法的自適應性不好，計算復雜度較高。

針對上述問題，研究提出基于模糊關聯聚類分析的工業環境下人機交互狀態數據模擬及挖掘方法。采用替代數據法對工業環境下的人機交互狀態數據進行復指數檢測，提取工業環境下的人機交互狀態數據的弱關聯性指數特征，實現對工業環境下的人機交互狀態數據模擬仿真。最后進行仿真分析，得出有效性結論。

2 人機交互數據結構分析和特征提取

2.1 人機交互狀態數據結構分析

為實現人機交互狀態數據模擬仿真，首先分析人機交互狀態數據結構，構建一個微分方程表達人機交互狀態數據約束參量的信息流模型為

xn=x(t0+nΔt)=h[z(t0+nΔt)]+ωn

(1)

其中，h(.)為人機交互狀態數據的多元價值函數，ωn為人機交互狀評估誤差測量函數，t為時間，Δt為時間變化量。當特征空間為多維時，特征融合過程需對人機交互的相關連續狀態數據實現解向量的計算[6]，進而獲取特征訓練子集Si(i=1，2，…，L)，滿足以下條件：

c1x(τ)=E{x(n)}=0

c2x(τ)=E{x(n)x(n+τ)}=r(τ)

ckx(τ1，τ2，…，τk-1)≡0 (k≥3)

(2)

當τ=2，人機交互狀態數據的置信度水平滿足(2+1)維。采用多維空間重組方法，進行人機交互狀態數據的收斂解分析，其中約束條件為

(3)

由此構建的人機交互狀態數據的分布式存儲結構模型，根據數據的存儲狀態特征量，進行數據的模擬仿真分析[7]。

2.2 特征提取

根據上述數據結構模型，進行的人機交互狀態數據的特征提取，得到人機交互狀態數據在時刻t和頻點f的強度，構建人機交互狀態數據的自適應控制目標函數為

(4)

(5)

(6)

特征分布空間具有多維特性，工業環境下的人機交互狀態相關數據的統計函數可表示為u：I×IRd→IR，假定其迭代次數為k-1，且k≥1，數據統計特征序列需滿足N(k)

(7)

結合大數據融合法建立大數據流分布聚類的多特征函數，假設存在模糊擾動，其聚類目標函數為：

(8)

(9)

其中，a0為初始狀態下人機交互狀態數據的采樣幅值，xn-i為標量時間序列，bj為人機交互狀態數據的振蕩衰減值。由此得到數據挖掘的迭代式

(10)

(11)

采用相關性檢測方法進行數據的人機交互設計，設計的工業環境下的人機交互狀態數據挖掘算法是穩定收斂的。

數據結構分析和特征提取的總體過程如圖1所示。

圖1 數據結構分析和特征提取過程圖

3 人機交互狀態數據模擬

3.1 數據聚類

(12)

將其轉換為最優二乘解問題，具體計算過程如下：

z(t)=x(t)+iy(t)=a(t)eiθ(t)+n(t)

(13)

(14)

式中，pk，n為高維的特征分布空間的主成分特征。采用空間映射方法，對人機交互狀態數據進行分布式檢測，得到x(k)。通過大數據融合調度，得到人機交互狀態數據的檢驗統計量為

(15)

采用替代數據法對人機交互狀態數據進行復指數檢測，得到x′(k)，基于大數據模糊K均值聚類方法，得到人機交互狀態特征量的第k類的子類集合，由此得到人機交互狀態特征的利用率可以表示為

(16)

基于計算出的人機交互狀態特征的利用率，引入大數據分析法得到主成分特征量[9]，求解人機交互狀態數據分布相似度

(17)

式中：di為工業環境下的人機交互狀態數據的先驗分布特征向量，d1j為第1層大數據的K均值聚類中心向量。根據上述分析，實現人機交互狀態數據的聚類挖掘，結合特征聚類結果，進行數據模擬仿真。

3.2 人機交互狀態數據模擬的優化

結合分段線性相關融合方法，實現工業環境下的人機交互狀態數據的指標參數聚類和整合，得到人機交互狀態數據的特征融合輸出表達式為

P(w|x)=P(x|w)/P(x)

(18)

排序人機交互狀態數據融合權重進行：

P11≥P12≥P13……P1J≥……

(19)

(20)

式(20)中，矩陣e為局略局部誤差矩陣，因此可得人機交互狀態數據的定向聚類矩陣為：

Y=Xβ+e

(21)

式中，矩陣X為n×m維的指向性聚類分布矩陣，β為m×1維的模糊約束向量。

通過對狀態數據的較小關聯度特征的提取可獲取狀態數據的尺度因子為：

(22)

結合數據的一維分布矢量Xn，利用分段融合特征匹配方法，進行工業環境下的人機交互狀態數據的信息分離，得到工業環境下的人機交互狀態分布相關信息量為

(23)

對于n組工業環境下的人機交互狀態數據(xi1，xi2，…xi，m-1，yi)，i=1，2，…，n，采用模糊指向性聚類方法進行工業環境下的人機交互狀態數據的模糊聚類處理。綜上分析，實現對工業環境下的人機交互狀態數據模擬仿真。

4 仿真與結果分析

為測試本文方法在實現工業環境下的人機交互狀態數據模擬仿真中的應用性能，進行仿真。實驗采集的工業大數據來源于某大型冶金工業，其人機交互設備以及工業生產監控界面分別如圖圖2、圖3所示。

圖2 人機交互設備

圖3 工業生產人機交互監控界面

對數據樣本采集的樣本數據條數為14000條數據，統計特征分布的個數為420000個數據項，特征采樣的頻率分布為12kHz，數據分布的帶寬為120 kbuad。采集工業環境下的人機交互狀態數據為功率特征分布集，設置數據采樣的時間間隔為60s，采樣的停滯時間為120～200s，信息采樣的時長10000 s。根據上述實驗環境和參數設定，得到工業環境下的人機交互狀態數據采集的時域特征分布如圖4所示。

圖4 人機交互狀態數據采集的時域特征分布

以圖4的數據為研究對象，進行人機交互狀態數據的特征提取，得到關聯性指數挖掘結果如圖5所示。

圖5 關聯性指數挖掘結果

分析圖5得知，采用本文方法能有效實現對工業環境下的人機交互狀態數據的挖掘和特征提取，實現對工業環境下的人機交互狀態數據模擬仿真。

以上述實驗條件為基礎，在本次對比測試中，串口擴展為雙RS232接口，其中終端設備UART0的作用為調試，UART4則為普通串口設備。工業環境下，運行設備上電后，由測試程序完成串口的信息發送與接收功能。圖6和圖7分別為兩種算法下RS232收發數據時的波形圖，以此反映測試數據挖掘的關聯性。

圖6 傳統方法數據模擬連續性

圖7 研究方法數據模擬連續性

從實驗結果中可以看出傳統方法在進行人機交互數據模擬過程中出現明顯數據斷點問題，無法對數據進行連續模擬。相比之下，研究方法的人機交互狀態數據模擬連續性更好，不存在斷點數據，說明此方法能夠有效提高人機交互數據模擬的精度。

5 結語

研究工業環境下的人機交互狀態數據模擬模型，進行數據的優化仿真。提出基于模糊關聯聚類分析的人機交互狀態數據模擬方法。提取工業環境下的人機交互狀態數據的弱關聯性指數特征，改善數據模擬的輸出連續性。實驗結果表明，該方法進行工業環境下的人機交互狀態數據模擬具有很好的應用價值。