基于数据挖掘的异构网络多源目标数据融合跟踪方法研究

韩高峰

（安徽文达信息工程学院计算机工程学院，安徽合肥230000）

随着异构网络规模的不断扩大，异构网络中多源目标数据数量也逐渐增多，因此，需对异构网络多源目标数据进行可视化重构和融合跟踪识别，保证网络的稳定性[1]。通常，在对异构网络中多源目标数据进行融合跟踪识别的过程中，需建立异构网络多源目标数据融合跟踪模型，结合大数据挖掘和信息重构方法进行异构网络多源目标数据融合检测和特征分析，从而提高对异构网络多源目标数据的检测跟踪识别能力[2]。而相关的异构网络多源目标数据融合跟踪方法研究受到人们的极大关注。一般来说，对异构网络中多源目标数据的融合跟踪识别是建立在对数据融合检测和特征分析的基础上的，这一过程能够提高对异构网络多源目标数据的检测识别能力，从而提高异构网络多源目标数据的检索和访问能力[3]。

目前，已有专家学者在多源目标数据跟踪识别领域提出了一些较为成熟的研究结果，如关联特征检测方法、模糊C均值聚类分析方法以及K均值聚类分析方法等等。另外，文献[4]通过提取多层卷积特征使其表征的目标数据更加全面，并计算数据的相关性响应，再将所有历史数据和实时数据响应中的目标位置进行动态融合，从而实现对目标数据的定位和动态追踪。文献[5]利用融合重检测机制跟踪网络目标数据，在训练阶段将相关滤波融入网络，通过端到端训练提取多源数据特征；在跟踪阶段利用残差值连接融合不同源数据，并引入重检测机制实现实时跟踪。然而，现有方法对异构网络多源目标数据进行融合跟踪时存在自适应性不好、计算复杂度较高、数据跟踪能力差等问题。基于此，本文提出基于数据挖掘的异构网络多源目标数据融合跟踪方法。

1 数据的分布式存储结构模型及多层次融合

1.1 目标数据的分布式存储结构模型

为了实现异构网络多源目标数据融合跟踪和优化识别，首先构建异构网络多源目标数据分布式存储结构模型，假设Nk(k=1,2,…,l)表示第k层异构网络多源目标数据融合跟踪分布集的个数，表示异构网络多源目标数据在数据采样中第k层第i个节点的活跃度[6]，是第k层异构网络多源目标数据融合节点i处的数据输入，表示异构网络中第k层第i个节点处的能量阈值，则可得到异构网络多源目标数据的采样节点的统计分析模型为其中，μ表示异构网络中各节点的连接权值。假设异构网络采样数据有效激活函数为f，分析异构网络中多元目标数据的周期振荡的幅值，采用语义本体融合方法[7]进行异构网络中多源目标数据的三维重构，得到目标数据的分布式存储的模糊决策函数为F=∂×S f，其中，∂表示模糊度系数。在异构网络的输入若干个数据层，得到在归一化的线性子空间中，第l层中异构网络多源目标数据分布函数为，其中，λ表示归一化系数。根据上述模型构建，实现对目标数据的分布式存储结构的优化设计。

1.2 数据的多层次融合和自适应挖掘

在上述对异构网络中目标数据的分布式存储结构模型进行设计的基础上，设ci表示异构网络多源目标数据共享节点之间的模糊贴近度函数，对异构网络中多源目标数据的簇内分布信息进行提取，得到多源目标数据簇内分布模型为C=D×ci+(S×T)η，其中，η表示自然参数，T表示充分统计量。在此基础上，对异构网络多源目标数据采用信息融合和模糊层析性分析方法进行信息融合和自适应调度，提取异构网络多源目标数据的三维可视化特征量，则优化的簇内分布函数可改写为C′=[(α×C)y]×g，其中，α为数据的多层次融合的关联系数，y表示三维规则数据场中的对称性体元个数，g表示自适应寻优函数。而当C′在g存在有限稳定解时，表示寻优过程是收敛的，此时在异构网络跟踪识别中的目标函数为gC′，在固定扰动步长下，假设异构网络多源目标数据融合跟踪识别的模糊加权值为β，通过决策函数寻优，得到异构网络多源目标数据挖掘的特征最优解为：J=(βC′-ε)×gC′2，其中，ε为决策误差。

综上分析，构建数据的多层次融合和自适应挖掘模型，进行异构网络多源目标数据的可视化调度和自动监测设计，根据特征提取结果进行异构网络多源目标数据的统计特征提取。

2 多源目标数据的融合跟踪

2.1 多源目标数据的统计特征分析

在上述对异构网络中的多源目标数据进行分布式存储和融合挖掘的基础上，本文提出基于数据挖掘的异构网络多源目标数据融合跟踪方法。采用相空间重构方法构建异构网络多源目标数据融合跟踪的网格分布结构模型，进行异构网络多源目标数据的可视化调度和自动监测[8]，得到异构网络多源目标数据的特征分布维数为m，异构网络多源数据的种类属性为r，则对所有节点存在最大独立集Pi={mrNk|i=1,2,…,k=1,2,…,l}，初始化异构网络多源目标数据分类的聚类中心e，则异构网络多源目标数据融合跟踪的模糊隶属函数为其中，ei表示异构网络多源目标数据的融合的聚类中心，ρ表示异构网络多源目标数据的先验概率密度，在此基础上，得到异构网络多源目标数据的相空间重构均值为。

根据异构网络的多源数据的相空间重构结果进行数据状态特征监测，结合统计特征分析方法，得到多元目标数据融合的方差为。

假设异构网络多源目标数据集合中含有N个样本，对于有限数据样本集XN，其三维视觉特征重构的冲激响应函数为其中，f0表示初始采样频率。在此基础上，采用测度特征提取方法进行异构网络多源目标数据的基准特征匹配，设计异构网络多源目标数据的主频特征提取模型，实现多源目标数据的统计特征分析，得到统计特征量为Q=I×[(φ×q-t)N]，其中，q表示异构网络多源目标数据的特征属性，φ表示有限数据集合，t表示数据融合跟踪的时间延迟。

2.2 数据特征提取及融合跟踪输出

对异构网络多源目标数据采用信息融合方法进行自适应特征信息提取，采用模糊层析性分析方法进行异构网络多源目标数据的多层次融合和自适应挖掘，对异构网络多源目标数据采用信息融合和模糊层析性分析方法进行大数据调度[9]，则异构网络多源目标数据的量化评估的规则项集为U=其中，Ei表示异构网络多源目标数据输出层第i个节点的谱输出期望值，δ表示克罗内克函数。

假设z表示异构网络多源目标数据的测度特征集，分析异构网络多源目标数据的统计向量维数，采用修正函数进行状态修正，得到异构网络多源目标数据融合跟踪识别的约束函数：Y=(τ×z)U，其中，τ表示异构网络多源目标数据采样的可靠性因子，是一个大于0但小于1的常数。采用模糊C均值聚类分析方法[10]得到异构网络多源目标数据的融合输出为T=(Q-U)γ×Y，其中，γ表示融合因子。假设R表示异构网络多源目标数据的三维分布属性值，通过上述分析，实现异构网络多源目标数据的最优融合跟踪，输出结果：M=(Y×T-Q)v R，其中，v表示数据节点间距离。

综上分析，本研究在提取异构网络多源目标数据关联特征量的基础上，实现了数据优化挖掘和融合跟踪识别。

3 仿真实验与结果分析

为了测试上述基于数据挖掘的异构网络多源目标数据融合跟踪方法的应用性能，设计仿真实验进行验证。仿真实验在Matlab环境进行，设定异构网络多源目标数据融合跟踪的迭代步数为2 000，异构网络多源目标数据的采样时间间隔为0.8 s，数据采样长度为1 000，对异构网络多源目标数据进行相空间重构，重构维数为4，嵌入延迟为12 ms，对数据采样的载波频率为9 kHz。根据上述仿真环境和参数设定，得到异构网络多源目标数据时域分布示意图，如图1所示。

以图1中的数据作为初始输入数据进行异构网络多源目标数据融合跟踪，提取其中的关联特征量，输出的数据挖掘结果如图2所示。

图1 异构网络多源目标数据时域分布示意图

图2 多源目标数据的融合跟踪挖掘结果

由图2可知，数据频域分布情况较为稳定，受采样时间的影响较小，证明对异构网络中多源目标数据的挖掘过程较为稳定、抗干扰能力较强，初步体现了基于数据挖掘的异构网络多源目标数据融合跟踪方法的有效性。

为进一步测试基于数据挖掘的异构网络多源目标数据融合跟踪方法的有效性，设计如下对比实验。将该方法与文献[4]方法和文献[5]方法进行对比，测试不同方法进行异构网络多源目标数据融合跟踪的误差情况，得到对比结果如表1所示。

表1 不同数据跟踪方法的误差对比（%）

由表1中的数据可知，随着实验迭代次数的不断增加，不同目标数据跟踪方法的跟踪误差也相应发生变化。基于多层卷积特征的自适应决策融合目标跟踪方法的跟踪误差比融合重检测机制的网络目标数据跟踪方法略低，但这两种方法的跟踪误差始终小于所提方法。对比结果表明，基于数据挖掘的异构网络多源目标数据融合跟踪方法的融合跟踪误差最小，可有效实现对异构网络中多元数据的跟踪识别。

4 结束语

在建立异构网络多源目标数据融合跟踪模型的基础上，结合大数据挖掘和信息重构方法能够实现对异构网络多源目标数据的融合检测和特征分析。本文提出基于数据挖掘的异构网络多源目标数据融合跟踪方法。构建异构网络多源目标数据的分布式存储结构模型，根据特征提取结果进行异构网络多源目标数据的统计特征分析，对异构网络多源目标数据采用信息融合方法进行自适应特征信息提取，采用模糊层析性分析方法进行异构网络多源目标数据的多层次融合和自适应挖掘，提取异构网络多源目标数据的关联特征量，实现数据优化挖掘和融合跟踪识别。经实验分析可知，采用该方法进行异构网络多源目标数据融合跟踪的自适应性较好，数据采集过程抗干扰能力较强，跟踪误差较低，在异构网络多源目标数据融合跟踪识别中具有很好的应用价值。