網絡數字媒體可重構資源動態分配方法研究

王玉 張海民

【摘 ? 要】 ? 提出基于多源特征融合聚類分析的網絡數字媒體可重構資源動態分配方法。構建資源存儲結構模型，得到可重構資源的樣本空間結構。采用特征提取方法對可重構資源進行處理，構建資源動態屬性分配融合模型，實現對網絡數字媒體可重構資源的動態分配。仿真結果表明，采用該方法進行動態分配的輸出特征辨識度較高，最高收斂度可達到99%，最小計算開銷僅為8.35ms，充分說明所提方法可以有效提高可重構資源的動態分配能力。

【關鍵詞】 ? 網絡數字媒體;可重構資源;動態分配;特征辨識;融合聚類

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

〔中圖分類號〕 ?TP391 ? ? ? ? ? ?〔文獻標識碼〕 ?A ? ? ? ? ? ? 〔文章編號〕 1674 - 3229（2021）03- 0000 - 00

0 ? ? 引言

隨著新媒體和網絡信息技術的發展，網絡數字媒體可重構資源越來越多，在網絡空間中，需要構建可重構資源分配模型，根據資源的特征分布和相空間特征分布，建立可重構資源的融合模型，結合對特征提取結果，實現對可重構資源的動態分配。研究網絡數字媒體可重構資源分配方法，在提高網絡資源的利用能力方面具有重要意義[1]。

傳統方法中，對網絡數字媒體可重構資源動態分配方法主要有基于關聯度特征分析的動態分配方法、PCA主成分分析的動態分配方法以及K均值融合聚類的動態分配方法等[2-4]，采用統計特征提取和自相關特征檢測，實現對可重構資源動態分配，但傳統方法進行資源分配的適應度不好，特征辨識能力不強。

針對上述問題，本文提出基于多源特征融合聚類分析的網絡數字媒體可重構資源動態分配方法。首先采用大數據聚類分析方法，進行資源的分布式結構重組，在二元結構特征分布集中，提取資源的高階統計特征量。根據多源特征融合聚類結果，采用空間結構映射，實現對網絡數字媒體可重構資源的動態分配。

1 ? ? 網絡數字媒體可重構資源的空間分布結構及特征提取

1.1 ? 空間分布結構模型

為了實現網絡數字媒體可重構資源動態分配，需要首先構建資源存儲結構模型，如圖1所示。

根據圖1所示的存儲結構模型，采用大數據聚類分析方法實現資源動態重組和信息篩選控制，構建可重構資源相空間分布結構模型[5]，采用模糊度檢測的方法得到資源分布標量時間序列為[x（t）]，[t=0，1，???，n-1]，給定數值屬性和分類屬性向量，得到模糊關聯規則分布序列為[x1，x2，…xn∈Cm]（[m]為網絡數字媒體可重構的狀態分布維數），在模糊聚類中心，可重構資源的稀疏性節點分布為：

[P（i）=1mxndxt=0n-1x（t）] （1）

在分布式子空間中，考慮資源屬性的關聯性，通過模糊關聯規則調度的方法，求得可重構資源的模糊集，通過子空間聚類[6]，得到模糊度關聯信息分布模型：

[a（Hac）=log2k-P（i）+l2π] （2）

式中，[k]表示模糊度參數，[l]表示空間聚類參數。在稀疏篩選的數據集中，把規模為[n]的網絡數字媒體可重構資源數據集[X]劃分到[C]個聚類簇中，得到資源聚類的邊界函數為：

[wi（k）=a（Hac）?XCl-i-11+nw（k）] （3）

式中，[i]表示重構資源的樣本個數，[w（k）]表示邊界最大似然度。對第[i]個分類屬性可重構資源進行模糊聚類，得到量化回歸分析結果，采用動態分布融合和向量分集的方法[7]，得到可重構資源樣本空間結構的尋優函數為：

[M=wi（k）K-Xτ+12Xτ+i=1∞si] （4）

式中[K=N-（m-1）τ]，表示分布結構中的嵌入維數，[τ]為資源動態重構的時延，[si=（xi，xi+τ，???，]

[xi+（m-1）τ）T]是空間分布資源存儲量，采用改進子空間聚類分析的方法，進行分布式結構重組[8]。

1.2 ? 網絡數字媒體可重構資源特征提取

采用分布式拓撲結合的方法，構建多維空間特征模型，在網絡數字媒體可重構資源的分布結構空間中實現特征提取[9]，在虛擬數據庫中建立二元結構特征分布集，得到特征分布模型為：

[s.t.（a）=（ai?aj）！M（ai-aj）2] （5）

式中，[ai]表示分布結構動態特征標準值，[aj]表示二元分布特征指標[10]。可重構資源分布相空間中，得到資源的自相關匹配系數，計算公式為：

[Ti，jt=Δpi，jt-D] （6）

式中，[pi，jt]表示資源的動態分布權重，[D]量化特征分布集。結合語言特征，得到網絡數字媒體可重構的特征權重為：

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

式中，[Si，jt]表示自適應權重，[Ui，jt]表示可重構資源的相似度系數。

提取網絡數字媒體可重構資源高階譜統計特征量，采用數據離散化處理的方法，在可重構鄰域空間[（t，f）]內，得到提取網絡數字媒體可重構資源統計特征的分布函數為：

[f（x）=i=1∞Di，jtdt-tf+1x（t）dt] （8）

根據上述分析，提取可重構資源的高階譜特征量，采用網格化模塊聚類和特征匹配的方法完成特征提取[11]。

2 ? ? 網絡數字媒體資源動態分配優化

2.1 ? 網絡數字媒體可重構資源融合

采用網格化模塊聚類和分布融合的方法，在融媒體的分布集中，提取可重構資源的融合信息量[12]，得到訓練分類矩陣為：

[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）]表示分類訓練指標。結合網絡用戶分類和狀態融合，得到可重構資源的離散元組重復檢測融合向量為：

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

式中，[EDF]表示離散區間，[Eelec]表示可重構資源的融合序列。

根據用戶的發布模式，通過非監督學習方法實現可重構資源更新[13]，得到更新迭代函數：

[ηwkω=Twkξwkω+π-Computition（nj）] （11）

式中，[ξwkω]表示多隊列調度誤差，[Twk]表示迭代步長。

根據多元轉換方式[14]，計算網絡數字媒體可重構資源的最大效用適應度函數[ETwk-ξwkωTwk≥ξwkω]，

根據非監督機器學習，得到動態屬性分配的融合模型為：

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

根據上述分析，提取網絡數字媒體可重構資源的融合信息量，根據多源融合聚類結果進行可重構資源動態分配的算法設計。

2.2 ? 網絡數字媒體可重構資源分配輸出

采用空間結構映射的方法，對網絡數字媒體可重構資源的分配輸出進行分析，通過空間映射統計結果得出模板調節函數為：

[m（i）=φ2sinM（i）-2acosM（i）] （13）

式中，[φ∈-2.5a，2.5a]，[a∈1，10000]，[M（i）]輸出狀態參數。實現資源的線性擬合，擬合式計算公式為：

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

式中，[Xmax]、[Xmin]分別為概率模型預測樣本的最大和最小閾值。

結合衡量概率分布或概率模型預測結果，采用資源面板數據匹配的方法[15]，得到動態參數[pi（t+1）]，對動態信息進行處理，得到資源分配函數為：

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

其中，[Cauchy（θ，α）]為動態柯西分布函數，[θ=0]，[α=1]，假設可重構資源的訓練樣本集為[（x1，y1），（x2，y2），...，（xn，yn）]，其中[xi∈Rn]表示輸入矢量，[yi∈Rn]資源分配目標函數，[n]為樣本數。在訓練和測試階段，得到分配輸出優化目標函數為：

[T（i）=（n-1）?yixi-?（x）+ε23] （16）

根據多源特征聚類結果，采用空間結構映射，實現對網絡數字媒體可重構資源的動態分配。

3 ? ? 仿真實驗與結果分析

在Visual Studio 2010和SPSS17.0平臺中實現網絡數字媒體可重構資源動態分配的仿真測試，設定資源的空間動態分布的維數為12，資源的樣本大小為28GB，資源模糊聚類的迭代次數為300。根據上述參數設定，進行仿真實驗。

對樣本數據進行源融合動態分配，分別將本文方法與文獻[3]和文獻[5]的方法進行對比，得到網絡數字媒體可重構資源動態分配的特征辨識度結果如圖2所示。

分析圖2得知，本文方法進行資源動態分配的特征辨識度較高，均位于60%以上，最高可達到98%。而兩種對比方法特征辨識度較低。在此基礎上測試不同方法進行網絡數字媒體可重構資源動態分配的收斂性，得到結果如圖3所示。

分析圖3得知，采用本文方法進行網絡數字媒體可重構資源動態分配的收斂性能較好，收斂度高，迭代步數較短，測試數據分配的計算開銷，得到對比結果見表1。

分析表1得知，本文方法進行網絡數字媒體可重構資源動態分配的計算開銷較小。

4 ? ? 結語

構建優化資源分配模型，根據資源的特征分布和相空間特征分布，實現對網絡數字媒體可重構資源的動態分配。本文提出基于多源特征融合聚類分析的網絡數字媒體可重構資源動態分配方法。采用大數據融合聚類分析方法實現資源動態重組和特征篩選控制。采用分布式拓撲結合的方法，提取資源的高階譜統計特征量，構建資源的多維空間融合模型。采用資源面板數據匹配的方法，得到資源的動態參數，實現資源動態分配。研究得知，本文方法進行的特征辨識度較高，收斂性能較好，計算開銷較小。

參考文獻：

[1] 曹宏斌，張亮，林中琦.基于用戶分裂的資源擴散算法[J].中國電子科學研究院學報，2017，12（4）：159-163.

[2] 姜華，歐陽紅，方紅旺，等.一種雙向長短時記憶循環神經網絡的問句語義關系識別方法[J].福州大學學報（自然科學版），2018，46（1）：55-61.

[3] 王曉光.區塊鏈技術共識算法綜述[J].信息與電腦（理論版），2017，379（9）：72-74.

[4] 蔡俊，趙超，沈曉波，等.基于卷積神經網絡的Canny算法優化[J].廊坊師范學院學報（自然科學版），2019，19（4）：23-26+44.

[5] 姚哲，陶劍文.多源適應多標簽分類框架[J].計算機工程與應用，2017，53（7）：88-96，170.

[6] ?趙國鋒，黎軍，王新恒，等.基于SDN的WLAN負載感知切換方案實現[J].計算機應用研究，2019，36（5）：180-184

[7] ?宋天舒，童詠昕，王立斌，等.空間眾包環境下的3類對象在線任務分配[J].軟件學報，2017，28（3）：611-630.

[8] 田帥，陳誼.基于子空間聚類的高維數據可視分析方法綜述[J].計算機工程與應用，2018，54（13）：19-26.

[9] 李帥，王國胤，楊潔.基于云綜合方法的三支群決策模型[J].計算機應用，2019，39（11）：3163-3171.

[10] 王亮，冶繼民.整合DBSCAN和改進SMOTE的過采樣算法[J].計算機工程與應用，2020，56（18）：111-118.

[11] 王思麗，祝忠明，劉巍，等.領域本體學習語料的自動獲取與預處理方法研究[J].圖書館學研究，2019，463（20）：56-66.

[12] 王琳，劉為，唐瑞波.基于策略的頻譜資源動態分配技術[J].中國電子科學研究院學報，2018，13（1）：108-114.

[13] 張婧，孫金根，陳亮，等.基于無監督學習的單人多姿態圖像生成方法[J].光電技術應用，2020，171（2）：63-67.

[14] 牛玉廣，李曉彬，張佳輝.基于多元狀態估計與自適應閾值的電站輔機故障預警[J].動力工程學報，2019，39（9）：717-724.

[15] 薛冉.基于模擬退火粒子群優化的Ad Hoc網絡多播路由算法[J].廊坊師范學院學報（自然科學版），2018，18（4）：19-22.

[收稿日期] ? 2021-00-00

[基金項目] ? 安徽省教育廳2019年高校自然科學重點研究項目“面向智慧社區的視頻監控異常行為識別方法的研究”（KJ2019A1295）;安徽省教育廳2020年高校優秀青年人才支持計劃項目（gxyq2020107）

[作者簡介] ? 王玉（1987-），女，碩士，宣城職業技術學院講師，研究方向：圖像處理、模式識別。