基于大数据的物联网教学最优模式实证模型研究

吴俊杰

(泉州信息工程学院，福建 泉州 362000)

在高校嵌入式专业教学中，物联网课堂教学是重要的基础性课程，课程的实践性强，理论原理难，算法和程序也比较复杂，使得物联网教学模式的选择难度较大，需要对物联网教学模式进行优化改革设计，结合大数据分析技术，进行物联网教学模式的优化选择，提高物联网教学模式的自动选择和控制能力[1]。在大数据环境下，建立物联网教学模式优化选择模型，结合创新性的课程驱动建设，构建物联网课程教学模式选择的大数据融合聚类分析模型，结合交叉式的编译控制方法，提高物联网课程教学模式选择和控制能力[2]。在创新性的教学模式下，提高物联网教学质量，对此，提出一种基于大数据的物联网教学最优模式实证模型，采用统计分析方法构建物联网教学的大数据回归分析模型，结合数据聚类和信息融合处理技术，实现对物联网教学最优模式选择和实证分析，提高物联网教学的质量，最后进行实证分析验证，得出有效性结论。

1 物联网教学最优模式统计数据及特征分析

1.1 物联网教学最优模式统计数据建模

为了实现对物联网教学模式最优选择和融合聚类分析，结合对物联网教学模式统计大数据分析方法进行融合性的聚类处理，采用大数据挖掘技术，构建物联网教学模式的最优融合特征参量分析模型，采用自适应关联规则挖掘方法[3]，构建物联网教学模式的数据挖掘模型，给出物联网教学模式优化选择的大数据的相空间分布W，它是一个n×m的物联网教学模式优化选择控制矩阵，在物联网教学模式优化选择模式下，构建特征分布向量pq，构建概率分布函数P(ni)={pk|prkj=1，k=1，2，…，m}，进行物联网教学模式统计大数据的模糊规则特征识别，得到物联网教学的大数据统计特征分布节点vi的样本集合为：

(1)

式中C为物联网教学的大数据调度的任务集，C(vi，vj)为物联网教学模式选择的链路控制集。在物联网教学模式选择策略下，得到约束特征量vi与vj间的计算开销，构建物联网教学模式统计大数据分段特征检测方法，得到回归分析模型为：

(2)

式中：p为物联网教学模式选择的条件概率分布个数；n(t)为物联网教学的大数据调度干扰项；si(t)为物联网教学的大数据统计特征量；a(θi)为物联网教学的大数据调制成分，在物联网教学模式统计大数据的特征融合中心构建任务调度SL集，用模糊聚类分析方法，构建物联网教学模式统计大数据识别的模糊隶属函数：

(3)

(4)

式中：kμ(t)为t时刻物联网教学模式统计大数据的采样带宽；ΔTm(t)为t时刻物联网教学模式统计大数据的量化特征集；w为相对权重；Θ为kμ(t)的概率条件。结合限定稳态条件，进行物联网教学模式统计大数据的均衡调度，结合线性回归分析方法进行数据输出的关联规则挖掘，提高大数据的信息融合和最优模式选择能力[5]。

1.2 数据特征提取

采用非线性时间序列分析方法进行物联网教学模式统计大数据的特征分析和预测。通过对物联网教学模式统计大数据的前期统计值，在嵌入式系统教学中分析教学模式优化的约束指标参量集，采用相关性检测方法进行物联网教学最优模式的大数据融合处理，采用多元回归分析方法得到物联网教学模式统计大数据的输出更新规则为：

(5)

(6)

(7)

式中Xj(t)为第t代物联网教学模式统计大数据的模糊规则集，在数据元j的位置进行物联网教学模式统计大数据的量化特征分解，在大数据聚类中进行，进行物联网教学模式统计大数据的调度分析，构建迭代式，构建物联网教学模式统计大数据单变量时间序列为{xn}，用uj(t+1)为[0，1]范围内变化的统计大数据的关联规则集，结合衰减向量分析方法进行相似度特征变化，mbest(t+1)为大数据的语义关联性特征，得到聚类中心的最优位置，用pj(t+1)作为第t+1个聚类中心中统计大数据的模糊约束参量，物联网教学模式统计大数据的回归向量a1和a2，在M维随机向量中，得到物联网教学模式统计大数据的统计特征量pg(t)定义为：

pg(t)=argmin{f(pj(t))|j=1，2，…，n}，

(8)

式中f(pj(t))为物联网教学模式统计大数据在聚类中心j中的最优位置，在最优位置中进行特征搜索，得到第t代搜索到的最优位置的适应值，对物联网教学模式统计大数据的量化回归配置系数a1和a2由式(9)确定：

a1=c1r1，

a2=c2r2，

(9)

式中：r1、r2为M维随机向量；c1为物联网教学模式统计大数据的关联规则向量集，c2为多径分布特征量。根据上述分析，实现对物联网教学模式统计大数据的特征提取和模糊调度，结合最优模式选择方法，提高对物联网教学模式统计大数据的特征提取和量化回归分析能力。

2 物联网教学最优模式数据融合及聚类

2.1 物联网教学最优模式统计数据融合处理

构建物联网教学模式统计大数据时间序列{x(t0+iΔt)}，i=0，1，…，N-1，采用模糊二自由度控制方法，对物联网教学最优模式统计数据进行信息融合和自适应更新，物联网教学最优模式统计数据的信息更新规则如式(10)：

(10)

其中

(11)

(12)

采用相关性检测方法进行物联网教学最优模式的大数据融合处理，结合累积方差分析进行物联网教学最优模式大数据聚类[6]，对物联网教学模式统计大数据时间序列进行Fourier变换，得到x(k)，采用主成分分析方法，得到大数据信息流的主成分特征：

(13)

式中xn为物联网教学模式统计大数据的离散特征序列，得到物联网教学模式统计大数据的正相关性特征量分量的均值为：

(14)

在分散子空间中进行物联网教学模式统计大数据匹配检测，提高最优模式选择能力。

2.2 物联网教学最优模式聚类选择

给出物联网教学模式统计大数据的模糊聚敛控制函数为：

(15)

式(15)中，物联网教学模式统计大数据预测的负载为Mh，在产生一组聚类属性特征V后，进行物联网教学模式统计大数据属性集调度[7]。采用Sigma检验可得物联网教学模式统计大数据的判据为：1)S≥2.00，物联网教学模式统计大数据的识别95%概率不成立，原数据与分类数据具有同类特征；2)S<2.00，物联网教学模式统计大数据的识别成立，原数据不具有同类特征。

根据上述判别条件，构建支持向量机模型，采用Ru，v表示物联网教学模式统计大数据属性集的模糊集合质量，对物联网教学模式统计大数据调度的关联规则属性为v。Ru，v表示互相关函数，物联网教学模式统计大数据识别的优化指标量化集为(RT1，RT2)，根据聚类结果构建物联网教学最优模式的量化分布集[8]，结合大数据模糊聚类控制和信息融合方法，实现物联网教学最优模式构造，得到物联网教学模式统计大数据采样的有限数据集：

X={x1，x2，…，xn}⊂Rs，

(16)

式中物联网教学模式统计大数据集合中含有n个样本，样本xi，i=1，2，…，n，结合SVM学习方法，得到量化特征关系为：

(17)

采用修正的支持向量机学习模型进行到物联网教学模式分类器设计，得到物联网教学模式统计大数据的分类的特征分布矩阵满足：

(18)

在连续的有限状态空间中构建物联网教学模式统计大数据分布的数链S={1，2，...，N}，生成元数据Υ=(rij)N*N，结合大数据模糊聚类控制和信息融合方法，实现物联网教学最优模式构造，得到统计特征量为：

(19)

如果其中Δ>0且rij>0，表示物联网教学模式统计大数据的时滞项：

(20)

结合最优模式选择方法，实现对物联网教学最优模式实证检验分析。

3 实证分析与验证

为了验证该方法在实现物联网教学最优模式选择和控制中的应用性能，进行实证验证，采用Matlab进行仿真实验，有效带宽Be为12 dB，初始训练集规模为200，样本长度为1 024，采样频率fs=5f0=100 kHz，T=10 ms，对物联网教学模式统计大数据的采样规模集见表1。

表1 物联网教学模式统计大数据分布集

根据上述实验分析，构建物联网教学模式统计大数据的聚类分析和融合模型，得到数据聚类融合结果如图1所示。

根据图1的数据分析结果，进行物联网教学最优模式实证分析，得到统计分布如图2所示。

分析图2得知，采用该方法进行物联网教学最优模式实证分析，统计特征分布具有显著的正相关性，说明信息融融合度较高，对物联网教学最优模式选择的置信度水平较高。

图1 数据聚类融合结果

图2 统计分布值

4 结语

为了提高物联网的教学质量，提出一种基于大数据的物联网教学最优模式实证模型，采用统计分析方法构建物联网教学的大数据回归分析模型，在嵌入式系统教学中分析教学模式优化的约束指标参量集，采用相关性检测方法进行物联网教学最优模式的大数据融合处理，结合累积方差分析进行物联网教学最优模式大数据聚类，根据聚类结果构建物联网教学最优模式的量化分布集，结合大数据模糊聚类控制和信息融合方法，实现物联网教学最优模式构造。研究得知，采用该方法进行物联网教学最优模式选择的数据融合性较好，说明对教学模式选择的合理性较为准确，提高了物联网环境下的教学模式优化和控制能力，具有很好的应用价值。