网络数字媒体可重构资源动态分配方法研究

王玉 张海民

【摘   要】   提出基于多源特征融合聚类分析的网络数字媒体可重构资源动态分配方法。构建资源存储结构模型，得到可重构资源的样本空间结构。采用特征提取方法对可重构资源进行处理，构建资源动态属性分配融合模型，实现对网络数字媒体可重构资源的动态分配。仿真结果表明，采用该方法进行动态分配的输出特征辨识度较高，最高收敛度可达到99%，最小计算开销仅为8.35ms，充分说明所提方法可以有效提高可重构资源的动态分配能力。

【关键词】   网络数字媒体;可重构资源;动态分配;特征辨识;融合聚类

Research on Dynamic Allocation Method of Reconfigurable Resources of Network Digital Media

Wang Yu1，Zhang Hai-min2

（1.Xuancheng Vocational And Technical College，Xuancheng 242000 China;

2.Anhui Institute of Information Technology，Wuhu 241000 China）

【Abstract】In order to improve the dynamic allocation ability of digital media reconfigurable resources in the network， a dynamic allocation method of network digital media reconfigurable resources based on multi-source feature fusion clustering analysis is proposed. The sample space structure of reconfigurable resources is obtained by constructing the resource storage structure model. The feature extraction method is used to process the reconfigurable resources， and the dynamic attribute allocation fusion model is constructed to realize the dynamic allocation of network digital media reconfigurable resources. The simulation results show that the output feature identification degree of the proposed method is high， the maximum convergence degree can reach 99%， and the minimum computational cost is only 8.35ms， which fully shows that the proposed method can effectively improve the dynamic allocation ability of reconfigurable resources.

【Key words】Network digital media; Reconfigurable resources; Feature identification; Fusion clustering

〔中图分类号〕  TP391            〔文獻标识码〕  A             〔文章编号〕 1674 - 3229（2021）03- 0000 - 00

0     引言

随着新媒体和网络信息技术的发展，网络数字媒体可重构资源越来越多，在网络空间中，需要构建可重构资源分配模型，根据资源的特征分布和相空间特征分布，建立可重构资源的融合模型，结合对特征提取结果，实现对可重构资源的动态分配。研究网络数字媒体可重构资源分配方法，在提高网络资源的利用能力方面具有重要意义[1]。

传统方法中，对网络数字媒体可重构资源动态分配方法主要有基于关联度特征分析的动态分配方法、PCA主成分分析的动态分配方法以及K均值融合聚类的动态分配方法等[2-4]，采用统计特征提取和自相关特征检测，实现对可重构资源动态分配，但传统方法进行资源分配的适应度不好，特征辨识能力不强。

针对上述问题，本文提出基于多源特征融合聚类分析的网络数字媒体可重构资源动态分配方法。首先采用大数据聚类分析方法，进行资源的分布式结构重组，在二元结构特征分布集中，提取资源的高阶统计特征量。根据多源特征融合聚类结果，采用空间结构映射，实现对网络数字媒体可重构资源的动态分配。

1     网络数字媒体可重构资源的空间分布结构及特征提取

1.1   空间分布结构模型

为了实现网络数字媒体可重构资源动态分配，需要首先构建资源存储结构模型，如图1所示。

根据图1所示的存储结构模型，采用大数据聚类分析方法实现资源动态重组和信息筛选控制，构建可重构资源相空间分布结构模型[5]，采用模糊度检测的方法得到资源分布标量时间序列为[x（t）]，[t=0，1，???，n-1]，给定数值属性和分类属性向量，得到模糊关联规则分布序列为[x1，x2，…xn∈Cm]（[m]为网络数字媒体可重构的状态分布维数），在模糊聚类中心，可重构资源的稀疏性节点分布为：

[P（i）=1mxndxt=0n-1x（t）] （1）

在分布式子空間中，考虑资源属性的关联性，通过模糊关联规则调度的方法，求得可重构资源的模糊集，通过子空间聚类[6]，得到模糊度关联信息分布模型：

[a（Hac）=log2k-P（i）+l2π] （2）

式中，[k]表示模糊度参数，[l]表示空间聚类参数。在稀疏筛选的数据集中，把规模为[n]的网络数字媒体可重构资源数据集[X]划分到[C]个聚类簇中，得到资源聚类的边界函数为：

[wi（k）=a（Hac）?XCl-i-11+nw（k）] （3）

式中，[i]表示重构资源的样本个数，[w（k）]表示边界最大似然度。对第[i]个分类属性可重构资源进行模糊聚类，得到量化回归分析结果，采用动态分布融合和向量分集的方法[7]，得到可重构资源样本空间结构的寻优函数为：

[M=wi（k）K-Xτ+12Xτ+i=1∞si] （4）

式中[K=N-（m-1）τ]，表示分布结构中的嵌入维数，[τ]为资源动态重构的时延，[si=（xi，xi+τ，???，]

[xi+（m-1）τ）T]是空间分布资源存储量，采用改进子空间聚类分析的方法，进行分布式结构重组[8]。

1.2   网络数字媒体可重构资源特征提取

采用分布式拓扑结合的方法，构建多维空间特征模型，在网络数字媒体可重构资源的分布结构空间中实现特征提取[9]，在虚拟数据库中建立二元结构特征分布集，得到特征分布模型为：

[s.t.（a）=（ai?aj）！M（ai-aj）2] （5）

式中，[ai]表示分布结构动态特征标准值，[aj]表示二元分布特征指标[10]。可重构资源分布相空间中，得到资源的自相关匹配系数，计算公式为：

[Ti，jt=Δpi，jt-D] （6）

式中，[pi，jt]表示资源的动态分布权重，[D]量化特征分布集。结合语言特征，得到网络数字媒体可重构的特征权重为：

[Di，jt=Si，jtTi，jt+[s.t.（a）-Ui，jt]] （7）

式中，[Si，jt]表示自适应权重，[Ui，jt]表示可重构资源的相似度系数。

提取网络数字媒体可重构资源高阶谱统计特征量，采用数据离散化处理的方法，在可重构邻域空间[（t，f）]内，得到提取网络数字媒体可重构资源统计特征的分布函数为：

[f（x）=i=1∞Di，jtdt-tf+1x（t）dt] （8）

根据上述分析，提取可重构资源的高阶谱特征量，采用网格化模块聚类和特征匹配的方法完成特征提取[11]。

2     网络数字媒体资源动态分配优化

2.1   网络数字媒体可重构资源融合

采用网格化模块聚类和分布融合的方法，在融媒体的分布集中，提取可重构资源的融合信息量[12]，得到训练分类矩阵为：

[F（e）=f（e（1）），f（e（2）），...f（e（n））C（e，1），C（e，2），C（e，3），...C（e，n）] （9）

式中，[f（e（n））]表示融合向量，[C（e，n）]表示分类训练指标。结合网络用户分类和状态融合，得到可重构资源的离散元组重复检测融合向量为：

[Computition（nj）=EDFl?Eelec-lime→∞F（e）] （10）

式中，[EDF]表示离散区间，[Eelec]表示可重构资源的融合序列。

根据用户的发布模式，通过非监督学习方法实现可重构资源更新[13]，得到更新迭代函数：

[ηwkω=Twkξwkω+π-Computition（nj）] （11）

式中，[ξwkω]表示多队列调度误差，[Twk]表示迭代步长。

根据多元转换方式[14]，计算网络数字媒体可重构资源的最大效用适应度函数[ETwk-ξwkωTwk≥ξwkω]，

根据非监督机器学习，得到动态属性分配的融合模型为：

[swh=ETwk-ξwkωTwk≥ξwkω-ηwkωexp2π] （12）

根据上述分析，提取网络数字媒体可重构资源的融合信息量，根据多源融合聚类结果进行可重构资源动态分配的算法设计。

2.2   网络数字媒体可重构资源分配输出

采用空间结构映射的方法，对网络数字媒体可重构资源的分配输出进行分析，通过空间映射统计结果得出模板调节函数为：

[m（i）=φ2sinM（i）-2acosM（i）] （13）

式中，[φ∈-2.5a，2.5a]，[a∈1，10000]，[M（i）]输出状态参数。实现资源的线性拟合，拟合式计算公式为：

[pnewid=Xmax-m（i）+Xmin+m（i）2π-swh] （14）

式中，[Xmax]、[Xmin]分别为概率模型预测样本的最大和最小阈值。

结合衡量概率分布或概率模型预测结果，采用资源面板数据匹配的方法[15]，得到动态参数[pi（t+1）]，对动态信息进行处理，得到资源分配函数为：

[?（x）=i=2mt=αpi（t+1）-π2Cauchy（θ，α）（0≤t≤∞）]（15）

其中，[Cauchy（θ，α）]为动态柯西分布函数，[θ=0]，[α=1]，假设可重构资源的训练样本集为[（x1，y1），（x2，y2），...，（xn，yn）]，其中[xi∈Rn]表示输入矢量，[yi∈Rn]资源分配目标函数，[n]为样本数。在训练和测试阶段，得到分配输出优化目标函数为：

[T（i）=（n-1）?yixi-?（x）+ε23] （16）

根据多源特征聚类结果，采用空间结构映射，实现对网络数字媒体可重构资源的动态分配。

3     仿真实验与结果分析

在Visual Studio 2010和SPSS17.0平台中实现网络数字媒体可重构资源动态分配的仿真测试，设定资源的空间动态分布的维数为12，资源的样本大小为28GB，资源模糊聚类的迭代次数为300。根据上述参数设定，进行仿真实验。

对样本数据进行源融合动态分配，分别将本文方法与文献[3]和文献[5]的方法进行对比，得到网络数字媒体可重构资源动态分配的特征辨识度结果如图2所示。

分析图2得知，本文方法进行资源动态分配的特征辨识度较高，均位于60%以上，最高可达到98%。而两种对比方法特征辨识度较低。在此基础上测试不同方法进行网络数字媒体可重构资源动态分配的收敛性，得到结果如图3所示。

分析图3得知，采用本文方法进行网络数字媒体可重构资源动态分配的收敛性能较好，收敛度高，迭代步数较短，测试数据分配的计算开销，得到对比结果见表1。

分析表1得知，本文方法进行网络数字媒体可重构资源动态分配的计算开销较小。

4     结语

构建优化资源分配模型，根据资源的特征分布和相空间特征分布，实现对网络数字媒体可重构资源的动态分配。本文提出基于多源特征融合聚类分析的网络数字媒体可重构资源动态分配方法。采用大数据融合聚类分析方法实现资源动态重组和特征筛选控制。采用分布式拓扑结合的方法，提取资源的高阶谱统计特征量，构建资源的多维空间融合模型。采用资源面板数据匹配的方法，得到资源的动态参数，实现资源动态分配。研究得知，本文方法进行的特征辨識度较高，收敛性能较好，计算开销较小。

参考文献：

[1] 曹宏斌，张亮，林中琦.基于用户分裂的资源扩散算法[J].中国电子科学研究院学报，2017，12（4）：159-163.

[2] 姜华，欧阳红，方红旺，等.一种双向长短时记忆循环神经网络的问句语义关系识别方法[J].福州大学学报（自然科学版），2018，46（1）：55-61.

[3] 王晓光.区块链技术共识算法综述[J].信息与电脑（理论版），2017，379（9）：72-74.

[4] 蔡俊，赵超，沈晓波，等.基于卷积神经网络的Canny算法优化[J].廊坊师范学院学报（自然科学版），2019，19（4）：23-26+44.

[5] 姚哲，陶剑文.多源适应多标签分类框架[J].计算机工程与应用，2017，53（7）：88-96，170.

[6]  赵国锋，黎军，王新恒，等.基于SDN的WLAN负载感知切换方案实现[J].计算机应用研究，2019，36（5）：180-184

[7]  宋天舒，童咏昕，王立斌，等.空间众包环境下的3类对象在线任务分配[J].软件学报，2017，28（3）：611-630.

[8] 田帅，陈谊.基于子空间聚类的高维数据可视分析方法综述[J].计算机工程与应用，2018，54（13）：19-26.

[9] 李帅，王国胤，杨洁.基于云综合方法的三支群决策模型[J].计算机应用，2019，39（11）：3163-3171.

[10] 王亮，冶继民.整合DBSCAN和改进SMOTE的过采样算法[J].计算机工程与应用，2020，56（18）：111-118.

[11] 王思丽，祝忠明，刘巍，等.领域本体学习语料的自动获取与预处理方法研究[J].图书馆学研究，2019，463（20）：56-66.

[12] 王琳，刘为，唐瑞波.基于策略的频谱资源动态分配技术[J].中国电子科学研究院学报，2018，13（1）：108-114.

[13] 张婧，孙金根，陈亮，等.基于无监督学习的单人多姿态图像生成方法[J].光电技术应用，2020，171（2）：63-67.

[14] 牛玉广，李晓彬，张佳辉.基于多元状态估计与自适应阈值的电站辅机故障预警[J].动力工程学报，2019，39（9）：717-724.

[15] 薛冉.基于模拟退火粒子群优化的Ad Hoc网络多播路由算法[J].廊坊师范学院学报（自然科学版），2018，18（4）：19-22.

[收稿日期]   2021-00-00

[基金项目]   安徽省教育厅2019年高校自然科学重点研究项目“面向智慧社区的视频监控异常行为识别方法的研究”（KJ2019A1295）;安徽省教育厅2020年高校优秀青年人才支持计划项目（gxyq2020107）

[作者简介]   王玉（1987-），女，硕士，宣城职业技术学院讲师，研究方向：图像处理、模式识别。