基于相空間融合的異構網絡數據拓撲重構技術

黃浩瀚，陸興華，黃嘉昊，羅國華

(廣東工業大學華立學院，廣東 廣州 511325)

0 引 言

隨著云媒體和多媒體信息技術的發展，在云計算平臺中構建模糊層次空間異構網絡數據庫，結合大數據融合和特征分布式調度，實現模糊層次空間異構網絡數據庫的優化存儲和傳輸，從而提高大數據信息管理能力。因此模糊層次空間異構網絡數據庫被廣泛應用在數據庫管理和大數據融合集成中，研究模糊層次空間異構網絡數據庫異構智能化查詢技術，通過空間分布式融合和特征聚類分析，構建模糊層次空間異構網絡數據庫的動態拓撲重構模型，提高數據融合和特征檢測能力，相關的模糊層次空間異構網絡數據庫查詢方法研究在數據存儲和管理中具有重要意義[1]。

研究異構網絡數據動態拓撲重構系統設計是建立在對數據的特征重構和數據挖掘的基礎上，結合對模糊層次空間異構網絡數據庫的差異性特征聚類分析結果，通過模糊度擴展分析，實現對異構網絡數據動態拓撲重構。當前，對異構網絡數據動態拓撲重構方法主要有主成分特征分析的數據查詢方法、基于相似度特征融合的數據查詢方法以及基于資源信息融合共享的數據查詢方法等[2-4]。建立異構網絡數據動態拓撲重構的相似度特征分布函數，采用空間數據云計算技術，實現異構網絡數據動態拓撲重構，但傳統方法進行異構網絡數據動態拓撲重構的智能性不好，時間開銷較大。針對上述問題，該文提出基于相空間融合的異構網絡數據動態拓撲重構算法。構建模糊層次空間異構網絡數據庫的異構存儲結構模型，實現對模糊層次空間異構網絡數據庫的統計信息融合聚類，根據數據的動態拓撲重構聚類結果，結合隨機自適應調度和子空間壓縮方法，實現對模糊層次空間異構網絡數據庫的動態拓撲重構，提高模糊層次空間異構網絡數據庫查詢數據的特征聚類性。最后進行仿真測試分析，展示了該方法在提高異構網絡數據動態拓撲重構能力方面的優越性能。

1 模糊層次空間異構網絡數據庫存儲結構模型和特征分析

1.1 模糊層次空間異構網絡數據庫存儲結構模型

為了實現基于相空間融合的異構網絡數據動態拓撲重構系統優化設計，基于相空間融合交叉編譯和仿真分析，構建異構網絡數據動態拓撲重構算法，采用嵌入式的交叉編譯算法[5]，進行模糊層次空間異構網絡數據庫存儲的異構查詢系統設計。構建模糊層次空間異構網絡數據庫的異構存儲結構模型，如圖1所示。

圖1 模糊層次空間異構網絡數據庫的

圖2 數據拓撲重構決策樹

在圖2中，結合動態拓撲和關聯規則檢測，在粗糙集模式下，得到模糊層次空間異構網絡數據庫查詢的隱藏層加權特征分量為：

φ=(φ1,φ2,…,φn)

(1)

α=(α1,α2,…,αn)T

(2)

1.2 可視化空間數據特征分析

采用網格分塊特征檢測和特征重組技術實現對模糊層次空間異構網絡數據庫的動態拓撲設計，挖掘模糊層次空間異構網絡數據庫的關聯規則和空間譜分布集[11]，通過融合度聚類分析，進行到模糊層次空間異構網絡數據庫的異構樣本特征分解，得到模糊層次空間異構網絡數據庫查詢優化指標為u=[u1,u2,…,uk]，模糊層次空間異構網絡數據庫的異構樣本邊∑=[∑1∑2…∑k]，采用五元組O=(C,I,P,Hc,R,A0)表示模糊層次空間異構網絡數據庫查詢的輸出容量，其中，C為數據查詢的負載量，I為模糊層次空間異構網絡數據庫存結構的互信息特征量，將數據集加載到SparkSql，得到數據異構查詢的特征分布流為：

(3)

(4)

其中，E[xk]為模糊層次空間異構網絡數據庫的信息融合中心，Φk(ω)為模糊層次空間異構網絡數據庫差異性查詢的間隔，xk為測試樣本y相對于訓練樣本的特征匹配系數。結合離散采樣構建模糊層次空間異構網絡數據庫融合模型，設置M,T1,T2,T3,R1,R2,R3,R4,R5的HASH值為c，得到模糊層次空間異構網絡數據庫對應項集列中項集所在的事務集為：

mk=E[xk]=

(5)

(6)

式中，Mh為模糊層次空間異構網絡數據庫差異性分布負載量。在產生一組聚類屬性特征V后，采用關聯規則挖掘和融合聚類，得到模糊層次空間異構網絡數據庫差異性查詢的量化特征分布集[12]。

2 模糊層次空間異構網絡數據庫查詢優化

2.1 可視化空間數據查詢輸出聚類處理

挖掘模糊層次空間異構網絡數據庫的關聯規則特征分布集，采用相空間融合和模糊C均值聚類方法，實現對模糊層次空間異構網絡數據庫的統計信息融合聚類，根據數據的動態拓撲重構聚類結果[13]，模糊層次空間異構網絡數據庫的統計信息融合聚類的窗口系數W給定時，得到數據查詢輸出的聯合概率密度函數為：

(7)

根據模糊層次空間異構網絡數據庫的主題詞列表分布[14]，通過聯合概率密度來計算優先級排序規則，得到模糊層次空間異構網絡數據庫的統計樣本Di對角元素xi和xj同屬于第k類有限數據集，那么在決策表信息系統中，得到模糊層次空間異構網絡數據最大信息融合分布系數k(x)=E(x4)-3E(x2)，否則wij=0。令y0=[1,1,…,1]T，計算模糊層次空間異構網絡數據特征子系統的檢測統計量，記為e(t)=y-Dα(t)，對應的最終特征子集yk為：

(8)

采用過模糊層次空間異構網絡數據模糊層次空間融合，得到異構網絡數據庫的主題詞信息融合中心[14]，模糊層次空間異構網絡數據庫的模式分析向量α=pπ/2，通過求解皮爾遜相關系數：

rmax=(P(N0β)-1)1/α

(9)

(10)

設c為模糊層次空間異構網絡數據庫查詢樣本類別數，mk為第k類模糊層次空間異構網絡數據庫查詢的特征分類屬性值，此時模糊層次空間異構網絡數據庫融合的檢測統計特征量為Xk=[xk1,xk2,…,xkm,…,xkM]，由此降低了模糊層次空間異構網絡數據庫查詢的存儲開銷和計算開銷，將模糊層次空間異構網絡數據庫的查詢樣本劃分為訓練樣本和袋外數據，得到傳遞函數為：

(11)

根據上述分析，實現可視化空間數據查詢輸出聚類處理[15-16]。

2.2 模糊層次空間異構網絡數據庫動態拓撲重構

3W‖W‖2]

(12)

綜上分析，根據特征向量相關程度，實現對模糊層次空間異構網絡數據庫查詢的屬性分析，分類模型為：

(13)

通過融合聚簇特征分析方法，以離散程度較差的特征向量作為測試集，得到模糊層次空間異構網絡數據庫查詢的傳輸信道容量為：

k=0,1,…,N-1

(14)

式中，an表示模糊層次空間異構網絡數據庫查詢的交叉融合特征分布集，在空間中近鄰樣本中，通過模糊隸屬度特征檢測，得到模糊層次空間異構網絡數據庫當前特征子空間中的距離為x(k-1),…,x(k-M)，數據查詢的融合奇異值分布為：

Rw(l)=E[w(k)wH(k+l)]=

(15)

當ωk滿足n個穩定特征解，結合隨機自適應調度和子空間壓縮方法，實現對模糊層次空間異構網絡數據庫的動態拓撲重構，把s(t)→s(t)、s(t)→S(f)代入模糊層次空間異構網絡數據庫的查詢離散分布序列中，得到訓練數據和測試數據融合輸出為：

(16)

當前特征子空間中信息查詢的時間分布滿足n∈[n1,n2]，采用代價函數g(x,y)作為模糊層次空間異構網絡數據庫查詢的差異性調節系數，得到抽取特征子集為：

x(t)=Re{an(t)e-j2πfcτn(t)sl(t-τn(t))e-j2πfct}

(17)

綜上分析，采用異構存儲優化設計和特征聚類分析，實現對模糊層次空間異構網絡數據庫的動態拓撲重構，提高模糊層次空間異構網絡數據庫查詢數據的特征聚類性。算法的實現流程如圖3所示。

圖3 算法的實現流程

3 仿真測試分析

為了驗證該方法在實現異構網絡數據動態拓撲重構的應用性能，進行仿真測試分析。實驗采用Matlab語言編程設計，將模糊層次空間異構網絡數據庫的數據查詢網格劃分為240個網格，每個異構網絡數據組合的分塊區域的數據片大小為1 200 Kb，模糊層次空間異構融合的維數為12，相空間的嵌入延遲為124 ms，數據集劃分為訓練數據和測試數據。根據上述參數設定，進行模糊層次空間異構網絡數據庫拓撲重構，得到的樣本數據分布如圖4所示。

圖4 模糊層次空間異構網絡數據庫的樣本數據分布

以圖4的數據為測試對象，實現對模糊層次空間異構網絡數據動態拓撲重構分析，得到的網絡數據動態拓撲重構結果如圖5所示。

分析圖5得知，該方法進行模糊層次空間異構網絡數據動態拓撲重構的聚類性較好，測試不同方法進行異構網絡數據動態拓撲重構后的輸出錯誤率，得到的對比結果如圖6所示。

圖5 模糊層次空間異構網絡數據動態拓撲重構結果

圖6 網絡數據查詢正確率測試

分析圖6得知，該方法進行模糊層次空間異構網絡數據庫查詢的正確率較高，從而使得查全率和查準率較高，提高了數據的可靠性查詢能力。

4 結束語

構建模糊層次空間異構網絡數據庫的動態拓撲重構模型，提高數據融合和特征檢測能力，提出基于相空間融合的異構網絡數據動態拓撲重構算法。采用網格分塊特征檢測和特征重組技術實現對模糊層次空間異構網絡數據庫的動態拓撲設計，挖掘模糊層次空間異構網絡數據庫的關聯規則和空間譜分布集，采用關聯規則挖掘和融合聚類，得到模糊層次空間異構網絡數據庫差異性查詢的量化特征分布集。根據數據的動態拓撲重構聚類結果，結合隨機自適應調度和子空間壓縮方法，實現對模糊層次空間異構網絡數據庫的融合解析特征分析。分析得知，該方法進行模糊層次空間異構網絡數據庫查詢的錯誤率較低，提高了數據的查準率。