基于语义分割的异构多核平台大数据挖掘算法

周贤来

(广州松田职业学院，广东 广州 511370)

0 引 言

智慧物联网建设和发展过程中，多采用异构多核平台进行物联网层次化结构设计，以提高物联网大数据的信息分布式存储和检测能力。在进行物联网构造过程中，需要进行异构多核平台大数据挖掘，进行物联网的分布节点的信息优化存储设计，故采用大数据信息融合技术，实现对异构多核平台大数据特征的量化分析，构建异构多核平台大数据的优化挖掘模型，结合模糊相关性分析方法进行异构多核平台大数据挖掘和特征提取，分析异构多核平台大数据信息传输稳定性特征分量，以实现异构多核平台的大数据挖掘和检测[1]。研究异构多核平台大数据挖掘算法，在异构多核平台的存储优化设计中具有重要意义。

对异构多核平台进行大数据挖掘，在数据融合和特征提取方法基础上，采用异构多核平台大数据处理方法进行信息管理调度，进行异构多核平台大数据的采集、统计、汇总，建立大数据信息处理平台进行异构多核平台大数据的自动挖掘[2-3]，其中，Sierociuk等[4]提出基于嵌入式Linux内核和B/S构架的进行异构多核平台大数据可视化挖掘方法，以MySQL为数据库进行异构多核平台大数据可视化系统的数据库底层构造，在B/S构架体系下，采用程序加载控制方法，进行异构多核平台大数据可视化挖掘系统的Tomcat服务器开发，提高数据挖掘的精度，但该方法的计算开销较大，信息融合度不高。曲琦等[5]提出基于模糊聚类的大数据挖掘方法，采用大数据挖掘和模糊信息融合聚类方法进行异构多核平台大数据挖掘设计，提高数据挖掘的精度，但该方法的模糊度较大，抗干扰性不好[6]。针对上述问题，本文提出基于语义分割的异构多核平台大数据精准挖掘方法。构建异构多核平台大数据的模糊信息检测模型，采用关联特征提取方法进行异构多核平台大数据的模糊指向性聚类分析，构建异构多核平台大数据的输出自相关特征匹配模型，结合语义特征提取方法进行异构多核平台大数据的特征提取和统计分析，建立异构多核平台大数据的语义动态特征分析模型，提取异构多核平台大数据的统计特征量，实现异构多核平台大数据挖掘。最后进行仿真实验，得出有效性结论。

1 异构多核平台大数据检测平台和聚类分析

1.1 研究背景分析及异构多核平台大数据检测平台

为了实现异构多核平台大数据精准挖掘，构建异构多核平台大数据的模糊信息检测模型。当前，对异构多核平台的数据挖掘方法主要有基于模糊神经网络的数据挖掘方法、PSO数据挖掘方法、关联属性特征挖掘方法和统计信息挖掘方法等。其中文献[7]提出基于模糊神经网络的数据挖掘方法，根据异构多核平台大数据的混合分类属性进行相似度分析，提取异构多核平台大数据的数值属性特征和分类属性特征，完成异构多核平台大数据优化挖掘，提高数据的挖掘精度。文献[8]提出基于简化梯度算法的异构多核平台数据挖掘模型，采用匹配滤波器进行网络通信数据的干扰滤波，结合自适应的信道均衡控制方法进行数据挖掘，提高数据的挖掘自适应性。本文采用关联特征提取方法进行异构多核平台大数据的模糊相关性分析，采用云信息处理平台进行异构大数据的特征检测，构建异构多核平台大数据的自动挖掘模型，采用模糊信息聚类分析方法，进行异构多核平台大数据的统计信息类别分析，采用点、线、面状要素联合分析方法，建立信息属性链模型，建立异构多核平台大数据挖掘的模糊决策模型，采用自适应寻优方法，进行异构多核平台大数据的优化挖掘。建立异构多核平台大数据的属性链表，得到异构多核平台大数据的空间分布结构模型如图1所示。

图1 异构多核平台大数据的空间分布结构模型

在图1所示的异构多核平台大数据的空间分布结构模型中，采用融合性聚类分析方法，进行异构多核平台大数据优化挖掘，结合指针识别方法，进行异构多核平台大数据挖掘的指针分析，得到异构多核平台大数据挖掘的指针分布如图2所示。

图2 异构多核平台大数据挖掘的指针分布

采用分块区域融合方法进行异构多核平台大数据精准定位，建立异构多核平台大数据挖掘的存储模块和信息查询模块，提取异构多核平台大数据的统计特征量，进行数据优化挖掘[9]。

1.2 数据聚类分析

构建异构多核平台大数据的模糊信息聚类模型，采用特征匹配方法，进行异构多核平台大数据的模糊特征聚类，采用语义分割模型建立异构多核平台大数据的自适应加权学习模型[10]。异构多核平台大数据的模糊聚类分布为：

(1)

其中：z0为异构多核平台大数据的关联估计值；zi为点i处采集的异构多核平台大数据的实测值；di为点i和点0的距离；S为异构多核平台大数据的实测点统计特征量；K为异构多核平台大数据挖掘的插值权重[11]。

根据自适应加权学习结果，进行异构多核平台大数据空间特征的自适应加权，构建异构多核平台大数据的模糊加权学习式[12-14]，提高其自适应挖掘能力，得到空间聚类模型定义为：

(2)

其中，x、y、z分别表示异构多核平台大数据在三维空间的语义相似度特征量，σ表示语义本体集，b表示数据挖掘的模糊度系数，r表示粗糙特征匹配集。

2 大数据挖掘优化

2.1 异构多核平台大数据特征提取

通过挖掘异构多核平台大数据的语义关联特征量，结合模糊属性特征检测方法，实现异构多核平台大数据统计检测。采用统计分析方法，建立异构多核平台大数据的语义分割模型[15]，计算式定义为：

(3)

其中：wij为第i个点的异构多核平台大数据挖掘的全局加权值，dij表示异构多核平台大数据分布节点的聚类中心。构建异构多核平台大数据的特征提取模型，根据特征提取结果进行数据挖掘。在STARMA(1,1)网络模型中，得到信息异构多核平台大数据可视化分割模型，构建异构多核平台大数据的输出自相关特征匹配模型，结合模糊特征聚类分析方法进行异构多核平台大数据的统计分析[16]，采用语义分割方法进行模糊信息特征提取，在特征点i处，得到t时刻的特征分布集表示为(w1j,w2j,…,wtj)，其中t表示异构多核平台大数据的编号数目，wtj为异构多核平台大数据挖掘的加权系数。结合语义特征分析方法，建立模糊语义特征规则集[17]，得到自适应加权系数为：

(4)

其中，Freqij为异构多核平台大数据挖掘寻优的模糊约束特征量[18]。定义异构多核平台搜索的信息素浓度：

(5)

其中：

wij=tfij

(6)

其中，N表示大数据挖掘节点的维数，ni表示第i个节点的信息嵌入维数，fij表示大数据采用节点i和节点j采样数据的关联信息，t为采样时间间隔。

采用异构多核平台大数据特征提取方法进行大数据挖掘。

2.2 语义动态分割和挖掘输出

建立异构多核平台大数据的语义动态特征分析模型，提取异构多核平台大数据的统计特征量，进行异构多核平台大数据挖掘的自适应寻优[19]，其计算式为：

(7)

其中，di和dj为异构多核平台大数据挖掘的模糊规则特征量。采用统计信息分析方法，建立异构多核平台大数据挖掘的模糊特征分布集，表示为：

(8)

其中，m和n表示样本嵌入维数和分割网格数，amn为待挖掘异构多核平台大数据的有用信息的统计幅值，gmn(t)为数据统计平均值，n(t)为干扰项。综上分析，构建异构多核平台大数据的精准挖掘模型为：

(9)

其中，Xkj为语义分割的关联维数，Fj表示挖掘的输出特征量，Qj表示数据挖掘的语义信息分量。

在决策树模型下，采用语义分割进行异构多核平台大数据挖掘过程中的自适应寻优，提取统计特征量，根据特征提取结果采用模糊C均值聚类方法进行大数据聚类[20-21]，实现对异构多核平台大数据的数据挖掘。

3 仿真实验与结果分析

为了验证本文方法在实现异构多核平台大数据挖掘中的应用性能，采用Matlab进行仿真测试分析。对异构多核平台大数据采样的物联网节点数为120，数据挖掘的根节点数为12，异构多核平台大数据分布的空间维数为5，数据聚类属性类别数为10，对大数据采样的初始频率f1=1.5 Hz，终止频率f2=2.3 Hz。根据上述仿真参数设定，进行异构多核平台大数据挖掘，得到数据样本的时域分布如图3所示。

以图3所示的数据为研究对象，提取统计特征量，特征提取结果采用模糊C均值聚类方法进行大数据聚类，得到数据挖掘的直方图分布如图4所示。

分析图4得知，本文方法进行异构多核平台大数据挖掘的特征聚敛性较好，提高了数据挖掘的抗干扰能力。通过测试数据挖掘的精度，得到对比结果见表1。分析表1得知，本文方法进行数据挖掘的精度较高。

(a) 样本数据1

(b) 样本数据2

(a) 样本数据1

(b) 样本数据2

表1 数据挖掘的精度对比

4 结束语

构建异构多核平台大数据的优化挖掘模型，结合模糊相关性分析方法进行数据挖掘和特征提取，提出基于语义分割的异构多核平台大数据精挖掘方法。采用分块区域融合方法进行异构多核平台大数据精准定位，采用语义分割方法进行模糊信息特征提取，建立异构多核平台大数据挖掘的模糊语义特征规则集，进行异构多核平台大数据挖掘的寻优控制，采用统计信息分析方法，建立异构多核平台大数据挖掘的模糊特征分布集，在决策树模型下，采用语义分割进行异构多核平台大数据挖掘，实现数据挖掘优化。分析得知，本文方法进行数据挖掘的精度较高，根据数据挖掘的直方图分布得知，本文方法进行数据挖掘的特征聚敛性较好和抗干扰能力较强。