等离子体电子密度分布信息提取方法研究

岑举旭

摘要：为了对等离子体电子密度分布信息进行优化提取，提出等离子体电子密度分布信息提取方法.构建等离子体电子密度分布信息存储结构模型，对等离子体电子密度分布信息的大数据结构重组，通过峰度统计量特征提取和信息聚类和特征提取输出，对信息算法进行优化，从而完成等离子体电子密度分布信息提取方法研究.实验表明，采用该方法进行等离子体电子密度分布信息提取的准确性较高，聚类性较好.

关键词：等离子体;电子密度;分布信息;特征提取;聚类

中图分类号：TN911.7  文献标识码：A  文章编号：1673-260X（2019）05-0013-04

对等离子体电子密度分布信息的提取本质上是进行分部信息的结构重组和状态特征监测基础上，采用状态空间识别和大数据回归分析方法，进行信息重组和识别，构建等离子体电子密度分布信息存储分布结构模型[1-2]，采用空间状态评估方法进行等离子体电子密度分布信息特征提取.文献[3]中提出一种基于属性特征匹配和关联规则调度的等离子体电子密度分布信息特征提取算法.构建等离子体电子密度分布信息的属性特征高维重组空间模型，在属性特征高维重组空间进行信息重构，提高了特征提取的准确性，但该方法的计算开销较大，对分布信息的检测识别能力不好.文献[4]中提出一种基于加权轮询算法（Weighted Round Robin，WRR）的等离子体电子密度分布信息特征提取方法，采用资源信息负载均衡调度方法进行等离子体电子密度分布信息特征提取，提高信息优化调度和检测能力，但该方法进行信息提取的抗干扰性不好[5].针对上述问题，本文提出一种基于峰度统计量特征提取的等离子体电子密度分布信息提取方法.

1 信息分布存储结构模型及大数据建模

1.1 等离子体电子密度分布信息存储结构模型

为了实现等离子体电子密度分布信息的准确提取，采用三层体系结构模型进行等离子体电子密度分布信息的分布式存储结构分析.构建等离子体电子密度分布信息的存储网格模型，采用网格聚类方法进行等离子体电子密度分布信息的自适应结构重组和信息分类识别[6]，提取等离子体电子密度分布信息的自适应频谱分布特征量，根据谱分析结果采用分组样本检测方法进行等离子体电子密度分布信息的特征提取和分组检测[7]，得到等离子体电子密度分布信息的存储结构模型如图1所示.

3 仿真实验分析

为了验证本文设计的等离子体电子密度分布信息提取方法的应用性能，进行仿真实验，采用Matlab进行仿真程序设计，構建的等离子体电子密度分布的数据存储和采集模型，对等离子体电子密度分布信息采样的时间长度为1000s，采样点数为3000，等离子检测的电平脉冲的频率为12KHz，在不同信噪比下等离子体电子密度分布的尺度信息和频带见表1.

根据上述仿真参数设定，进行等离子体电子密度分布信息提取，得到采集的原始等离子体电子密度分布信息数据如图3所示.

以图3的数据信息为输入，提取峰度统计量特征，实现等离子体电子密度分布信息的优化提取，得到提取结果如图4所示.

分析图4得知，采用本文方法能有效实现等离子体电子密度分布信息提取，根据特征分解结果实现等离子体电子密度分布信息的回归分析和融合聚类，提高等离子体电子密度分布信息的自动提取和分类能力，提取的准确性高于传统方法13.5%，时间开销缩短42.9%.

4 结语

本文提出一种基于峰度统计量特征提取的等离子体电子密度分布信息提取方法.构建等离子体电子密度分布信息的大数据分布模型，采用分布式结构重组方法进行等离子体电子密度分布信息的数据结构重组设计，根据数据集分布形态进行等离子体电子密度分布信息的子空间重构，提取等离子体电子密度分布信息的相关谱特征量，结合小波尺度分解方法进行等离子体电子密度分布信息的多维特征分解，根据特征分解结果实现等离子体电子密度分布信息的回归分析和融合聚类，提高等离子体电子密度分布信息的自动提取和分类能力，根据提取结果实现等离子体电子密度分布信息的结构重组.分析得知，采用本文方法能有效实现等离子体电子密度分布信息提取，性能较好.

参考文献：

〔1〕唐慧娟，郝晓剑，胡晓涛，等.激光诱导Cu等离子体光谱时间演化特性研究[J].激光与红外，2018，48（11）：1341-1345.

〔2〕许东华，宋超，赵上勇，等.磁约束飞秒激光诱导铜等离子体特性研究[J].光子学报，2018，47（08）：88-94.

〔3〕LI Ani， ZHANG Xiao， ZHANG Boyang， LIU Chunyi， ZHAO Xiaonan. Research on performance evaluation method of public cloud storage system. Journal of Computer Applications， 2017， 37（5）： 1229-1235.

〔4〕LIN J M， BAN W J， WANG J Y， et al. Query optimization for distributed database based on parallel genetic algorithm and max-min ant system[J]. Journal of Computer Applications， 2016， 36（3）：675-680.

〔5〕ZHOU X P， ZHANG X F， ZHAO X N. Cloud storage performance evaluation research[J]. Computer Science， 2014， 41（4）：190-194.

〔6〕QI C Y， LI Z H， ZHANG X， et al. The research of cloud storage system performance evaluation[J]. Journal of Computer Research and Development， 2014， 51（S1）：223-228.

〔7〕汤可宗，李慧颖，李娟，等.一种求解复杂优化问题的改进粒子群优化算法[J].南京理工大学学报，2015，39（4）：386-391.

〔8〕詹谭，博驰.一种分布式智能型无功补偿系统研究[J].自动化与仪器仪表，2017，（12）：50-52.

〔9〕LI N， YU Y， ZHOU Z H. Diversity regularized ensemble pruning[C]//Proceedings of the 2012 Joint European Conference on Machine Learning and Knowledge Discovery in Databases， LNCS 7523. Berlin：Springer， 2012：330-345.

〔10〕PARVIN H， MIRNABIBABOLI M， ALINEJAD-ROKNY H. Proposing a classifier ensemble framework based on classifier selection and decision tree[J]. Engineering Applications of Artificial Intelligence， 2015， 37：34-42.

〔11〕陸安南，尤明懿.相位干涉仪测向模糊与误差统计分析[J].中国电子科学研究院学报，2018，13（1）：42-46.

〔12〕武腾，刘增，刘进军，等.基于小交流信号下垂的微网二次控制方法[J].电源学报，2018，16（3）：62-69.

〔13〕李程，毛保全，白向华，李俊.磁约束下等离子体的传热与流动特性仿真[J].装甲兵工程学院学报，2018，32（04）：69-73.

〔14〕柯于俊，孙新锋，陈学康，等.前极靴长度对电子回旋共振离子推进器影响的数值仿真[J].科学技术与工程，2018，18（20）：340-346.

〔15〕王金梅，郑慧娟，郑培超，等.正交再加热双脉冲激光诱导黄连等离子体的光谱特性[J].中国激光，2018，45（07）：92-99.