基于局部子空間的可信數據多標記特征選擇算法

涂勝倩

安徽三聯學院基礎實驗教學中心，安徽 合肥230601

0 引言

隨著物聯網和云計算技術的發展，采用分布式云計算的方法進行異構物聯網設備組網設計，通過異構物聯網設備監測，實現對物理信息的自適應感知和探測，并在云計算環境下實現異構物聯網設備信息采集和融合處理，在采用異構物聯網進行信息檢測和存儲過程中，受到異構物聯網設備的環境因素影響，需要對異構物聯網的感知數據進行可靠性標記［1］，建立異構物聯網感知設備可信數據的優化標記模型，通過對異構物聯網感知設備可信數據的多標記特征選擇，結合優化的數據挖掘和特征提取技術［2］，提高對異構物聯網感知設備可信數據的挖掘和檢測能力，相關的異構物聯網感知設備可信數據多標記特征選擇算法研究受到人們的極大關注.本文提出基于局部子空間的可信數據多標記特征選擇算法.建立異構物聯網感知設備可信數據的大數據分布式存儲結構模型，采用大數據信息融合方法進行異構物聯網感知設備可信數據的可信動態特征度量，提取異構物聯網感知數據的關鍵特征點，在聚類中心中實現對異構物聯網感知設備可信數據的自適應融合和自適應多標記特征選擇.最后進行仿真測試分析，得出有效性結論.

1 異構物聯網感知設備可信數據存儲結構分析和特征提取

1.1 異構物聯網感知設備可信數據存儲結構分析

為了實現異構物聯網感知設備可信數據的挖掘和檢測，進行可信數據的特征標記，建立異構物聯網感知設備可信數據的大數據分布式存儲結構模型，如圖1 所示.

圖1 數據的分布式存儲結構模型Fig. 1 Distributed storage structure model of data

采用模糊子空間約束控制方法，建立異構物聯網感知設備可信數據特征提取模型，得到分離性度量方法

1.2 異構物聯網感知設備可信數據特征提取

為了實現對異構物聯網感知設備可信數據自適應多標記特征選擇，采用大數據信息融合方法進行異構物聯網感知設備可信數據的可信動態特征度量，提取異構物聯網感知數據的關鍵特征點［5］，得到數據的緊密性度量Com(U，d)中，通過屬性特征分解，結合模糊性挖掘和融合聚類分析方法，得到新的緊密度指標Com'(U，c，d)，得到異構物聯網感知設備可信數據特征分解模型為

其中，dM為歐式距離，通過包絡特征分析方法，得到數據既包含了xj對象到聚類中心vi的距離，構建異構物聯網感知設備可信數據的強語義對齊二元特征組，得到數據包含了xj對類i 的隸屬函數值.Com'(U，c，d)值反映異構物聯網感知設備可信數據的強語義對齊特征組合，結合模糊度特征分解，得到異構物聯網感知設備可信數據的分離性度量的差

采用多種聚類有效性指標進行異構物聯網感知設備可信數據標記的可靠性分析，MPO 能很好的確定聚類個數，異構物聯網感知設備可信數據標記的概率條件和幾何結構分離性度量如下

其中

由此構建異構物聯網感知設備可信數據的特征提取模型，得到一個好的聚類特征量Com'(U，c，d)，用較小的Sep'(U，c，d)，VS(U，V)定義異構物聯網感知設備可信數據標記的有效性函數，VS(U，V)值越大表明聚類劃分結果越好.通過對異構物聯網感知設備可信數據特征提取結果，進行多標記選擇［7］.

2 可信數據多標記特征選擇優化

2.1 數據的關聯特征分布

提取異構物聯網感知數據的關鍵特征點，采用關聯規則挖掘方法進行物聯網設備可信數據分布式檢測［8］，得到異構物聯網感知設備可信數據挖掘的統計分布概率密度特征為

其中，在tn+1時刻和tn時刻相差一個更新周期.在局部子空間中，得到異構物聯網感知設備可信數據標記的二元語義特征分布函數為

采用模糊信息融合聚類分析方法，建立異構物聯網感知設備可信數據的可信動態度量的評價函數S^W表述為

采用子空間聚類分析方法，在源域與目標域中進行物聯網感知設備可信數據標記，得到物聯網感知設備可信數據遷移過程特征分布集，在訓練集si= {xj:d(xj，yi)≤d(xj，yl)}的引導下，得到異構物聯網感知設備可信數據挖掘的幀序列分布

在局部子空間中建立核函數模型，調整加權向量得到Nj*幾何鄰域NEj*(t)，進行物聯網感知設備可信數據的關聯特征分布式檢測［9］.

2.2 局部子空間聚類及可信數據多標記特征選擇

通過物聯網感知設備可信數據的局部子空間聚類，建立可信數據關聯規則特征量的演化特征分布模型為

采用多元回歸分析方法，進行在線異構物聯網感知設備可信數據的動態挖掘，得到異構物聯網感知設備可信數據的頻繁動態度量分布為

其中，pi，j(t)為異構輸入的互相關信息量;spi，j(t)為有標記樣本的數量;Δp(t)為增益系數;zi(t)，zj(t)表示為異構物聯網感知設備可信數據的模糊度函數.通過上述分析，采用局部子空間聚類分析方法實現可信數據多標記特征選擇的自適應控制和尋優，在聚類中心中實現對異構物聯網感知設備可信數據的自適應融合和自適應多標記特征選擇［10］.

3 仿真實驗與結果

為了測試本文方法在實現可信數據多標記特征選擇中的應用性能，進行實驗測試分析，實驗采用Matlab 進行仿真測試，對異構物聯網感知設備分配的節點數為100，數據采樣的時間間隔為2.5 ms，單組數據長度為1 024，仿真場景如圖2 所示.

根據上述仿真環境和參數設定，進行可信數據多標記特征選擇，得到待分析的數據如圖3 所示.

圖2 測試環境的網絡結構Fig.2 Network structure of test environment

圖3 待分析的數據Fig.3 Data to be analysed

以圖3 的數據為研究對象，進行可信數據多標記特征選擇，提取異構物聯網感知數據的關鍵特征點，采用關聯規則挖掘方法進行物聯網設備可信數據分布式檢測，得到數據多標記特征選擇結果如圖4 所示.

分析圖4 得知，本文方法能有效實現可信數據多標記特征選擇的特征標記準確性較高，測試可信數據多標記特征選擇的準確性，得到對比結果見表1，分析表1 得知，本文方法進行可信數據多標記特征選擇的精度較高，誤差較低.

圖4 數據的多標記特征選擇結果Fig.4 Multi-marker feature selection results of data

表1 可信數據多標記特征選擇準確性測試Tab.1 Reliability data multi-label feature selection accuracy test

4 結語

通過異構物聯網設備監測，實現對物理信息的自適應感知和探測，本文提出基于局部子空間的可信數據多標記特征選擇算法.建立異構物聯網感知設備可信數據的大數據分布式存儲結構模型，采用大數據信息融合方法進行異構物聯網感知設備可信數據的可信動態特征度量，提取異構物聯網感知數據的關鍵特征點，采用關聯規則挖掘方法進行物聯網設備可信數據分布式檢測，建立數據的關聯特征分布模型，采用模糊相關性融合調度方法進行異構物聯網感知設備可信數據自適應多標記特征選擇，采用局部子空間聚類分析方法實現可信數據多標記特征選擇的自適應控制和尋優，在聚類中心中實現對異構物聯網感知設備可信數據的自適應融合和自適應多標記特征選擇.分析得知，本文方法進行物聯網設備可信數據分布式檢測的精度較高，準確性較好.