基于微分方程的大數據分類系統設計

潘文秀

關鍵詞： 微分方程; 大數據; 分類系統; 微分分類; 數學模型; 數據采集

中圖分類號： TN99?34 ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2019）04?0027?04

Design of big data classification system based on differential equation

PAN Wenxiu

（School of Science， Qinzhou University， Qinzhou 535011， China）

Abstract： The differential classification mathematical model is not used for big data classification in the big data classification system based on orthogonal decomposition， which causes the problem of low classification accuracy. Therefore， a big data classification system based on the differential equation is designed. The hardware of the system mainly includes a data collector and a storage module. The data collector is composed of a chip and a single chip microcomputer. The collected data is transmitted to the network processor for processing by means of the network interface. The storage module is used for storing all the data in the system， which is divided into the application layer， functional layer， semantic layer， design layer and data layer. In the software part of the system， the differential classification mathematical model is constructed by establishing the differential equation with second?order time delay and the constraint conditions for specification set of the differential classification mathematical model. The big data classification codes are designed according to the differential classification mathematical model， so as to realize big data classification. The experimental results show that the designed system has a big data classification accuracy rate of as high as 95%， a memory occupancy rate of only 21%～32%， and a high classification performance.

Keywords： differential equation; big data; classification system; differential classification; mathematical model; data acquisition

0 ?引 ?言

隨著網絡技術的快速發展和大范圍應用，網絡中的數據量大幅增加，過量散亂的數據增加了用戶使用網絡信息的難度[1]。因此，需要設計一種大數據分類系統，幫助用戶在大量網絡數據中快速有效地獲取所需信息[2]。

目前，網絡大數據分類系統有很多，相關學者取得了較好的成果。文獻[3]設計基于Web數據的大數據分類系統，該系統的存儲模塊未采用層次結構，系統內存占用率高。文獻[4]設計基于正交分解的大數據分類系統，其未運用微分分類數學模型，系統大數據分類準確率低。針對上述系統的弊端，設計基于微分方程的大數據分類系統，采用軟、硬件結合的方式對該系統的總體結構設計進行描述，運用微分方程對大數據分類系統軟件部分進行改進[5]，提高大數據分類準確率。

1 ?基于微分方程的大數據分類系統設計

1.1 ?數據采集器設計

系統硬件中的數據采集器由芯片CP2210和C8147單片機組成，實現網絡大數據采集，通過網絡接口將采集的數據傳送給網絡處理器[6]，數據采集器硬件結構圖如圖1所示。

從圖1可以看出，數據采集器電源發出6 V電壓，通過單片機REGIN引腳傳送到單片機電壓調節器上，將電壓調節到單片機工作所需的4 V電壓，并將剩余的2 V電壓通過VDD引腳發送給其余部件使用。單片機通過P3，P4端和其他I/O引腳進行信息交換。從網絡中獲取的信號經過信號調整器，由單片機P25引腳到達A/D轉換器，A/D轉換器將信號轉化為對應的數據，由此完成網絡數據的采集。

1.2 ?存儲模塊設計

存儲模塊是大數據分類系統中的核心，用于儲存系統中的所有數據。構建存儲模塊前需明確系統需求，再通過語義層將任務映射給不同種類的分析模型和挖掘模型，并運用系統內的數據得到最終解[7]。本文依據層次模型法和群體協作智能聚類層次模型，將大數據分類系統存儲模塊劃分為應用層、功能層、語義層、設計層和數據層。具體結構如圖2所示。

圖中，應用層為大數據分類系統存儲模塊的頂層，該層能夠進行問題的描述、區分以及任務分配;功能層是應用層的支持結構，包含相關的功能代碼，功能層是大數據在數據存儲模塊中與用戶進行交互的橋梁;語義層實現設計層的數據模型到功能層業務的轉化，將設計層的數據模型轉化為業務術語進行描述;設計層基于系統需求，運用信息包圖設置分類內容，通過數據模型可視化描述分類數據，實時響應大數據分類系統用戶檢索需求;數據層通過系統控制事件的方式對大數據進行組織，數據層對系統源數據進行訪問，完成源數據的提取、整合等操作，其存儲被設計為可供查詢的關系數據庫結構。

1.3 ?微分分類數學模型

為實現大數據分類，系統軟件采用微分方程進行數據分類處理，在Bochner?Riesz空間里建立具有二階時滯的微分方程[8]：

[x（u）=Bx（u）+Cx（u-e（u））] ? ? ? ?（1）

式中：[e（u）]為二階時滯微分方程特征解穩定狀態[x（u）]下的時滯項;B，C為二階時滯微分方程參數。二階時滯微分方程在界限穩定平衡點[eQi（u）eu=Ui（u）QUQi+Li（u）QLQi]的特征向量表達為：

[φ1（e1（u））=φ+e1（u）Q（X1+X2+X3）-1QU+ ? ? ? ? ? ? ? ? ? ? ? ?（u1-e1（u））[QX-11QU+L（X2+X3）-1LU]] （2）

式中：[Li（u）]和[Ui（u）]分別用于描述參量u在界限邊界最低點以及最高點的穩定狀態;[QLQi]以及[QUQi]分別表示邊界最低以及最高均衡點;[φ]表示二階時滯微分方程特征解的特征向量。

在[Q0（x01，x02）]點對存在二階時滯微分方程的穩定解進行Lyapunove泛函處理，根據優化理論得出新的幾何區域，通過構建適當的李雅普諾夫泛函加入輔助積分矩陣[9]，得到二階時滯微分方程的穩定解為：

在雙界限條件的穩定約束下，把原點相鄰區域[M（0）]的解向量作為初始條件，得出存在二階時滯微分方程穩定解的參量為：

[νn=[Vn+11 ?Qn+11 ?0 ? 0 ? 0]U] （4）

式中，與[ν1]的平均特征泛函相同，根據二階時滯微分項的周期性獨立波解，采用穩定解向量作為大數據分類的聚類中心矢量[10]，進行微分分類數學模型的構建。

1.4 ?大數據采集程序

為實現系統硬件中數據采集器對大數據的采集，設計相關邏輯代碼如下：

//采集功能

Common affiliation tehean DapperKonlacatin

{common web dapperBy Befy（）

{Link web = dapper（done）;

//采集網絡數據

while （web** i <15）

{

web = dapper（done）;

i++;}

return web;

//返回客戶端

Common affiliation customer

Common affiliation data tehean done;

}}

1.5 ?大數據分類程序

為了實現系統網絡處理器中的大數據分類，根據微分分類數學模型設計相關大數據分類代碼。對網絡大數據進行分類，依據數據歸屬狀態進行類別劃分，給網絡數據處理器提供邏輯判別的依據，設計代碼如下：

//分類對象

Common affiliation data

{Witemind Deep datanum;

Witemind Deep dataFinder;

Witemind set dataInter;

Witemind circle yeak

Witemind circle ping}

if （concent have no "mind"）

//將相同數據歸屬狀態的數據劃分為一類

for（data list）

if（data does not belong to the data list）

for（confirm the keyword list）

if（it is）

continue;

else

2 ?實驗分析

為驗證基于微分方程的大數據分類系統的有效性進行實驗，實驗所用數據來自網絡信息庫，系統運行需要2臺計算機，系統硬件配置為：Intel Rean?core 3 GHz處理器，32 GB內存。

2.1 ?參數設置

實驗所用數據類型分別為：經濟學數據、工業經濟數據、貿易經濟數據、交通運輸經濟數據等大數據，將它們編號分別為K1，K2，K3，K4等;數據大小分別為1 742，1 685，1 693，1 824等。

2.2 ?大數據分類效果分析

依據上述實驗數據參數，對本文系統、基于Web數據的大數據分類系統以及基于正交分解的大數據分類系統的大數據分類性能進行對比實驗，實驗采用三個系統對實驗大數據進行分類處理，三個系統所得大數據分類結果分別如表1～表3所示。

由表1可知，基于Web數據系統在5次測試中，隨著實驗次數的增多，大數據分類的準確率和大數據分類預測值未明顯升高，且系統數據召回率一直處于90%左右。由表2可知，基于正交分解系統在5次測試中，大數據分類的準確率未超過90%，系統數據召回率同樣一直處于90%左右，大數據分類預測值較低。由表3可知，本文系統的大數據分類準確率一直高于95%，且分類準確率隨著實驗次數的增加而升高，本文系統數據召回率高達99%，大數據預測值較高。由表1～表3的實驗數據可以看出，本文系統進行大數據分類的準確率和系統數據召回率都明顯高于另外兩個分類系統。

為了進一步驗證本文系統的性能，對不同系統CPU占用率和內存占用率情況進行對比，結果如表4所示。

由表4可知，本文系統的CPU占用率范圍為55%～67%，內存占用率范圍為21%～32%;而基于Web數據系統的CPU占用率范圍為65%～82%，內存占用率范圍為38%～49%;而基于正交分解系統的CPU占用率范圍為68%～85%，內存占用率范圍為41%～51%。因此，本文系統的資源占用率明顯低于另外兩個系統，驗證了本文系統有較好的性能。

本文系統與另外兩個對比系統在內存消耗和分類速度上也有較大區別，三個系統內存消耗對比如圖3所示，三個系統分類速度對比如圖4所示。

由圖3可以看出，本文系統的內存消耗最高為1 000 KB，相比于另外兩個系統的最高消耗2 500 KB，1 900 KB明顯較低;由圖4可以看出，本文系統的分類速度在50 s達到最高，為240 KB/s，另外兩個系統的最高分類速度分別為180 KB/s，110 KB/s。

由以上數據可以得出，本文系統的資源占用率低，內存消耗較小，同時系統數據庫的內存較大;本文系統不僅提升了大數據分類的準確率，還減少了數據分類所需時間，具有較高的大數據分類性能。

3 ?結 ?論

本文設計基于微分方程的大數據分類系統，采用軟硬件結合的方式對系統整體構造進行設計。首先分析了系統硬件構造，主要包括數據收集器、網絡處理器、網絡接口和存儲模塊;軟件設計中，采用數學模型對大數據進行分類，并給出數據采集和大數據分類的關鍵代碼。實驗結果表明，所設計的系統在進行大數據分類時，分類準確率為95%，同時系統資源消耗低，具有很好的分類性能。

參考文獻

[1] 袁芬，徐從富.基于機會協作的農業物聯網大數據處理系統設計[J].計算機應用，2014，34（7）：2136?2139.

YUAN Fen， XU Congfu. Big data processing system based on opportunistic cooperation for agricultural Internet of Things [J]. Journal of computer applications， 2014， 34（7）： 2136?2139.

[2] 王永坤，羅萱，金耀輝.基于私有云和物理機的混合型大數據平臺設計及實現[J].計算機工程與科學，2018，40（2）：191?199.

WANG Yongkun， LUO Xuan， JIN Yaohui. A hybrid big data platform based on private cloud VMs and bare metals [J]. Computer engineering & science， 2018， 40（2）： 191?199.

[3] 段青玲，魏芳芳，張磊，等.基于Web數據的農業網絡信息自動采集與分類系統[J].農業工程學報，2016，32（12）：172?178.

DUAN Qingling， WEI Fangfang， ZHANG Lei， et al. Automatic acquisition and classification system for agricultural network information based on Web data [J]. Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（12）： 172?178.

[4] 向小佳，趙曉芳，劉洋，等.一種正交分解大數據處理系統設計方法及實現[J].計算機研究與發展，2017，54（5）：1097?1108.

XIANG Xiaojia， ZHAO Xiaofang， LIU Yang， et al. A design method and implementation of orthogonal decomposition based big data processing system [J]. Journal of computer research and development， 2017， 54（5）： 1097?1108.

[5] 魏萍，丁卯，左信，等.基于微分方程對稱的分布參數系統穩態控制[J].自動化學報，2014，40（10）：2163?2170.

WEI Ping， DING Mao， ZUO Xin， et al. Steady?state control for distributed parameter systems by symmetry of differential equations [J]. Acta Automatica Sinica， 2014， 40（10）： 2163?2170.

[6] 曾勝.重大危險源動態智能監測監控大數據平臺框架設計[J].中國安全科學學報，2014，24（11）：166?171.

ZENG Sheng. Framework design of large data platform for monitoring and controlling major hazards dynamically and intelligently [J]. China safety science journal， 2014， 24（11）： 166?171.

[7] 李雨童，姚登舉，李哲，等.基于R的醫學大數據挖掘系統研究[J].哈爾濱理工大學學報，2016，21（2）：38?43.

LI Yutong， YAO Dengju， LI Zhe， et al. Research on data mining system for big data in medical field based on R platform [J]. Journal of Harbin University of Science and Technology， 2016， 21（2）： 38?43.

[8] 陳學斌，王師，董巖巖.面向大數據的并行分類混合算法研究[J].微電子學與計算機，2016，33（4）：138?140.

CHEN Xuebin， WANG Shi， DONG Yanyan. Research on parallel classification hybrid algorithm for big data [J]. Microelectronics & computer， 2016， 33（4）： 138?140.

[9] 胡為艷，艾民，周光彬，等.基于大數據的信令監測系統的設計與實現[J].電視技術，2016，40（1）：95?101.

HU Weiyan， AI Min， ZHOU Guangbin， et al. Design and implementation of big data based signaling monitoring system [J]. Video engineering， 2016， 40（1）： 95?101.

[10] 王丹，張廣，陳鋒，等.智能檢傷分類系統的設計與研究[J].軍事醫學，2015，39（9）：651?655.

WANG Dan， ZHANG Guang， CHEN Feng， et al. Design and research of intelligent system for triage [J]. Military medical sciences， 2015， 39（9）： 651?655.