双冗余网络高维离散数据特征检测方法研究

肖 峰

(安徽职业技术学院 信息工程学院，安徽 合肥 230031)

随着分布式的网络组网技术的发展，网络的冗余度较高.为了有效降低网络数据的冗余度，提升网络数据的传输效率.相关研究人员作出以下改进：首先，构建了双冗余网络高维离散数据调度和特征信息识别模型，优化了数据库存储结构；然后，提取双冗余网络高维离散数据特征量；最后，根据提取结果进行网络组网控制和信息化调度[1]，实现双冗余网络高维离散数据融合处理.从而提高双冗余网络的信息访问和传输调度能力，相关的双冗余网络高维离散数据调度和特征提取方法研究受到人们的极大关注.

对双冗余网络高维离散数据特征提取是实现数据优化访问和信息组网控制的关键[2]，通过构建双冗余网络高维离散数据的特征辨识模型，采用多维信息空间重组，实现双冗余网络高维离散数据访问和采集.传统方法中，对双冗余网络高维离散数据的特征提取方法主要有模糊度采集方法、线性融合方法、关联特征匹配方法等[3-5]，构建双冗余网络高维离散数据的融合模型，采用统计信息分析，实现双冗余网络高维离散数据特征提取和回归分析，但传统方法进行双冗余网络高维离散数据特征提取的自适应性不好，抗干扰能力不强.针对传统方法存在的弊端，本文提出基于模糊参数融合的双冗余网络高维离散数据特征检测方法.首先采用云融合调度方法，分析双冗余网络高维离散数据的关联规则信息，构建双冗余网络高维离散数据特征融合模型；然后采用自适应特征匹配和模板集线性调度，实现对双冗余网络高维离散数据的统计特征分析，在机器学习算法和模糊度检测方法的引导下，实现双冗余网络高维离散数据特征检测过程中的自适应寻优、收敛性控制和优化.最后进行仿真实验测试，展示了本文方法在提高双冗余网络高维离散数据特征检测能力方面的优越性.

1 双冗余网络高维离散数据分布结构和信息融合

1.1 双冗余网络高维离散数据分布结构模型

为了实现双冗余网络高维离散数据信息检测，首先构建双冗余网络高维数据分布结构模型，结合子图抽取和子图结构分析的方法[6]，构建双冗余网络高维离散数据分布区域的相似图结构，如图1所示.

图1 双冗余网络高维离散数据分布的相似图结构

(1)

(2)

式中，N(u)={u0,u1,…,ui+k}为双冗余网络高维离散数据的分布节点匹配度，u是本体的关系相似性水平，i是离散数据节点数量.构建双冗余网络高维离散数据的分布结构模型，得到双冗余网络高维离散数据本体分布函数为

(3)

(4)

式中，P(u)为双冗余网络高维离散数据本体匹配参数集，Ci(i=0,1,…,n)为双冗余网络高维离散数据的节点出入度.采用逻辑单元编码的方法构建双冗余网络高维离散数据传输信道均衡配置模型[8]，得到双冗余网络高维离散数据的分布式近融合Wi(i=0,1,…,n)，记录知识点本体的编号，通过空间调度，得到双冗余网络高维离散数据检测的寻优模型满足W0>0，采用云融合调度方法[9]，构建双冗余网络高维离散数据的自适应调度和特征融合模型，提高数据检测的效能.

1.2 双冗余网络高维离散数据融合处理

采用学习资源本体数据融合分析的方法，构建双冗余网络高维离散数据的节点异构模型[10]，通过知识点本体简化融合的方法[11]，得到双冗余网络高维离散数据的近似同构匹配输出为

(5)

(6)

(7)

忽略双冗余网络高维离散数据的输出高阶分量H.O.T的干扰，采用波特间隔均衡得到双冗余网络高维离散数据的均衡调度模型，采用双线性编码的方法，分析双冗余网络高维离散数据的信息增量Δui+1，得到双冗余网络高维离散数据融合处理函数表示为

(8)

式中，Ts为双冗余网络高维离散数据的曲线插补周期，冗余网络高维离散数据的统计信息量为u(ti)=ui,u(ti+1)=ui+1，根据上述计算结果，实现双冗余网络高维离散数据融合处理.通过自适应特征匹配和模板集线性调度，实现对双冗余网络高维离散数据的统计特征分析.

2 双冗余网络高维离散数据特征检测优化

2.1 双冗余网络高维离散数据特征提取

建立双冗余网络高维离散数据传输的负载分配模型，采用梯度信息特征分解的方法，得到双冗余网络高维离散数据的统计特征输出为

(9)

式中，∂表示双冗余网络高维离散数据传输的负载参数，WTz表示双冗余网络高维离散数据传输向量函数，E(x)表示梯度信息模型函数.

在机器学习算法引导下，构建双冗余网络高维离散数据的自相关特征匹配集为

(10)

式中，rk表示双冗余网络高维离散数据的自适应匹配度，rD表示双冗余网络高维离散数据的特征分析量.采用空间特征聚类分析方法，建立双冗余网络高维离散数据特征检测模型，得到多径特征分量表示为

(11)

式中，an(t)表示双冗余网络高维离散数据空间特征参数集.构建主网双冗余网络高维离散数据的Hash特征向量φ=(φ1,φ2,…,φn)，采用机器学习迭代控制，得到双冗余网络高维离散数据特征提取的学习算子为

(12)

采用多维空间参数特征结合的方法构建双冗余网络高维离散数据空间重构模型，提取双冗余网络高维离散数据特征进行模糊度检测，实现双冗余网络高维离散数据的寻优化输出.

2.2 双冗余网络高维离散数据特征模糊度检测

在提取双冗余网络高维离散数据特征的基础上，通过模糊度特征信息提取方法，构建大数据特征聚类模型，采用非线性融合聚类分析，得到双冗余网络高维离散数据的编码输出为

(13)

式中，di,j(i=0,1,…,m;j=0,1,…,n)为双冗余网络高维离散数据的空间混淆度.根据双冗余网络高维离散数据的敏感度分量实现均衡控制，当m=1时，双冗余网格的空间混淆度为最小值，即di,,j=snξ，在双冗余网络高维离散数据重复邻域空间(t,f)内，数据的离散调度分布为

(14)

(15)

结合分组样本的方法，对u作线性特征分离，得到双冗余网络高维离散数据的模糊度匹配输出为

(16)

其中，ti表示模糊采样时间节点.采用i次迭代插值方法，构建双冗余网络高维离散数据的统计分析模型，得到双冗余网络高维离散数据的模糊特征分量为

(17)

根据以上算法构建双冗余网络高维离散数据的滤q1q2q1dq2d波检测模型，完成双冗余网络高维离散数据特征检测过程中的自适应寻优和收敛性控制，实现双冗余网络高维离散数据特征检测优化，提高主网双冗余网络高维离散数据的信息饱和度.

3 仿真实验与结果分析

为了验证本文方法在实现双冗余网络高维离散数据特征检测的应用性能，进行仿真实验，实验中对双冗余网络高维离散数据采样的序列长度为1024，参考序列的帧采样带宽为18 Bps，模糊度辨识参数为0.34，数据的相似度分布系数为0.63，双冗余网络高维离散数据特征融合的时间间隔是2.56 s，自适应特征分布式融合的特征辨识频率为35 KHz，根据上述参数设定，构建双冗余网络高维离散数据特征检测模型，得到双冗余网络高维离散数据输出测试样本如图2所示.

图2 双冗余网络高维离散数据测试样本

以图2的双冗余网络高维离散数据测试样本为研究对象，实现对双冗余网络高维离散数据的谱特征提取检测，得到检测结果如图3所示.

图3 双冗余网络高维离散数据特征检测输出

分析图3得知，本文方法能有效实现双冗余网络高维离散数据的谱特征检测，数据检测的特征收敛性和聚类性较好.测试双冗余网络高维离散数据特征检测的准确概率，得到结果如图4所示.

图4 双冗余网络高维离散数据检测概率测试

分析图4得知，本文方法对双冗余网络高维离散数据检测的准确概率较高，检测检测性能较好.

4 结语

本文提出基于模糊参数融合的双冗余网络高维离散数据特征检测方法.结合子图抽取和子图结构特征分析的方法，构建双冗余网络高维离散数据分布区域的相似图结构，采用学习资源本体特征分析的方法，构建双冗余网络高维离散数据的节点异构模型，构建双冗余网络高维离散数据的滤波检测模型，完成双冗余网络高维离散数据特征检测过程中的自适应寻优和收敛性控制.研究得知，本文方法进行双冗余网络高维离散数据特征检测的精度较高，检测能力较好.