等離子體電子密度分布信息提取方法研究

岑舉旭

摘要：為了對等離子體電子密度分布信息進行優化提取，提出等離子體電子密度分布信息提取方法.構建等離子體電子密度分布信息存儲結構模型，對等離子體電子密度分布信息的大數據結構重組，通過峰度統計量特征提取和信息聚類和特征提取輸出，對信息算法進行優化，從而完成等離子體電子密度分布信息提取方法研究.實驗表明，采用該方法進行等離子體電子密度分布信息提取的準確性較高，聚類性較好.

關鍵詞：等離子體;電子密度;分布信息;特征提取;聚類

中圖分類號：TN911.7 ?文獻標識碼：A ?文章編號：1673-260X（2019）05-0013-04

對等離子體電子密度分布信息的提取本質上是進行分部信息的結構重組和狀態特征監測基礎上，采用狀態空間識別和大數據回歸分析方法，進行信息重組和識別，構建等離子體電子密度分布信息存儲分布結構模型[1-2]，采用空間狀態評估方法進行等離子體電子密度分布信息特征提取.文獻[3]中提出一種基于屬性特征匹配和關聯規則調度的等離子體電子密度分布信息特征提取算法.構建等離子體電子密度分布信息的屬性特征高維重組空間模型，在屬性特征高維重組空間進行信息重構，提高了特征提取的準確性，但該方法的計算開銷較大，對分布信息的檢測識別能力不好.文獻[4]中提出一種基于加權輪詢算法（Weighted Round Robin，WRR）的等離子體電子密度分布信息特征提取方法，采用資源信息負載均衡調度方法進行等離子體電子密度分布信息特征提取，提高信息優化調度和檢測能力，但該方法進行信息提取的抗干擾性不好[5].針對上述問題，本文提出一種基于峰度統計量特征提取的等離子體電子密度分布信息提取方法.

1 信息分布存儲結構模型及大數據建模

1.1 等離子體電子密度分布信息存儲結構模型

為了實現等離子體電子密度分布信息的準確提取，采用三層體系結構模型進行等離子體電子密度分布信息的分布式存儲結構分析.構建等離子體電子密度分布信息的存儲網格模型，采用網格聚類方法進行等離子體電子密度分布信息的自適應結構重組和信息分類識別[6]，提取等離子體電子密度分布信息的自適應頻譜分布特征量，根據譜分析結果采用分組樣本檢測方法進行等離子體電子密度分布信息的特征提取和分組檢測[7]，得到等離子體電子密度分布信息的存儲結構模型如圖1所示.

3 仿真實驗分析

為了驗證本文設計的等離子體電子密度分布信息提取方法的應用性能，進行仿真實驗，采用Matlab進行仿真程序設計，構建的等離子體電子密度分布的數據存儲和采集模型，對等離子體電子密度分布信息采樣的時間長度為1000s，采樣點數為3000，等離子檢測的電平脈沖的頻率為12KHz，在不同信噪比下等離子體電子密度分布的尺度信息和頻帶見表1.

根據上述仿真參數設定，進行等離子體電子密度分布信息提取，得到采集的原始等離子體電子密度分布信息數據如圖3所示.

以圖3的數據信息為輸入，提取峰度統計量特征，實現等離子體電子密度分布信息的優化提取，得到提取結果如圖4所示.

分析圖4得知，采用本文方法能有效實現等離子體電子密度分布信息提取，根據特征分解結果實現等離子體電子密度分布信息的回歸分析和融合聚類，提高等離子體電子密度分布信息的自動提取和分類能力，提取的準確性高于傳統方法13.5%，時間開銷縮短42.9%.

4 結語

本文提出一種基于峰度統計量特征提取的等離子體電子密度分布信息提取方法.構建等離子體電子密度分布信息的大數據分布模型，采用分布式結構重組方法進行等離子體電子密度分布信息的數據結構重組設計，根據數據集分布形態進行等離子體電子密度分布信息的子空間重構，提取等離子體電子密度分布信息的相關譜特征量，結合小波尺度分解方法進行等離子體電子密度分布信息的多維特征分解，根據特征分解結果實現等離子體電子密度分布信息的回歸分析和融合聚類，提高等離子體電子密度分布信息的自動提取和分類能力，根據提取結果實現等離子體電子密度分布信息的結構重組.分析得知，采用本文方法能有效實現等離子體電子密度分布信息提取，性能較好.

參考文獻：

〔1〕唐慧娟，郝曉劍，胡曉濤，等.激光誘導Cu等離子體光譜時間演化特性研究[J].激光與紅外，2018，48（11）：1341-1345.

〔2〕許東華，宋超，趙上勇，等.磁約束飛秒激光誘導銅等離子體特性研究[J].光子學報，2018，47（08）：88-94.

〔3〕LI Ani， ZHANG Xiao， ZHANG Boyang， LIU Chunyi， ZHAO Xiaonan. Research on performance evaluation method of public cloud storage system. Journal of Computer Applications， 2017， 37（5）： 1229-1235.

〔4〕LIN J M， BAN W J， WANG J Y， et al. Query optimization for distributed database based on parallel genetic algorithm and max-min ant system[J]. Journal of Computer Applications， 2016， 36（3）：675-680.

〔5〕ZHOU X P， ZHANG X F， ZHAO X N. Cloud storage performance evaluation research[J]. Computer Science， 2014， 41（4）：190-194.

〔6〕QI C Y， LI Z H， ZHANG X， et al. The research of cloud storage system performance evaluation[J]. Journal of Computer Research and Development， 2014， 51（S1）：223-228.

〔7〕湯可宗，李慧穎，李娟，等.一種求解復雜優化問題的改進粒子群優化算法[J].南京理工大學學報，2015，39（4）：386-391.

〔8〕詹譚，博馳.一種分布式智能型無功補償系統研究[J].自動化與儀器儀表，2017，（12）：50-52.

〔9〕LI N， YU Y， ZHOU Z H. Diversity regularized ensemble pruning[C]//Proceedings of the 2012 Joint European Conference on Machine Learning and Knowledge Discovery in Databases， LNCS 7523. Berlin：Springer， 2012：330-345.

〔10〕PARVIN H， MIRNABIBABOLI M， ALINEJAD-ROKNY H. Proposing a classifier ensemble framework based on classifier selection and decision tree[J]. Engineering Applications of Artificial Intelligence， 2015， 37：34-42.

〔11〕陸安南，尤明懿.相位干涉儀測向模糊與誤差統計分析[J].中國電子科學研究院學報，2018，13（1）：42-46.

〔12〕武騰，劉增，劉進軍，等.基于小交流信號下垂的微網二次控制方法[J].電源學報，2018，16（3）：62-69.

〔13〕李程，毛保全，白向華，李俊.磁約束下等離子體的傳熱與流動特性仿真[J].裝甲兵工程學院學報，2018，32（04）：69-73.

〔14〕柯于俊，孫新鋒，陳學康，等.前極靴長度對電子回旋共振離子推進器影響的數值仿真[J].科學技術與工程，2018，18（20）：340-346.

〔15〕王金梅，鄭慧娟，鄭培超，等.正交再加熱雙脈沖激光誘導黃連等離子體的光譜特性[J].中國激光，2018，45（07）：92-99.