工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)仿真研究

王 鵬

(河北師范大學美術(shù)與設(shè)計學院，河北 石家莊 050024)

1 引言

工業(yè)化信息技術(shù)的發(fā)展，需對工業(yè)化環(huán)境下的人機交互數(shù)據(jù)進行優(yōu)化挖掘和檢測[1]，研究工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)模擬模型，在促進工業(yè)化信息技術(shù)的發(fā)展和數(shù)據(jù)的交互設(shè)計方面具有重要意義，相關(guān)的工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)模擬方法研究受到人們的極大關(guān)注[2-3]。

文獻[4]中提出一種基于模糊指向性聚類的工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)挖掘方法，結(jié)合聚類劃分的方法實現(xiàn)對人機交互狀態(tài)數(shù)據(jù)的挖掘，但該方法的聚類性不好，對工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)的模擬性不好。文獻[5]中提出一種基于差異性特征分析的工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)模擬方法，采用自適應(yīng)匹配濾波方法對工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)進行去干擾處理，提取工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)的能量密度譜特征，實現(xiàn)數(shù)據(jù)優(yōu)化挖掘，但該方法的自適應(yīng)性不好，計算復(fù)雜度較高。

針對上述問題，研究提出基于模糊關(guān)聯(lián)聚類分析的工業(yè)環(huán)境下人機交互狀態(tài)數(shù)據(jù)模擬及挖掘方法。采用替代數(shù)據(jù)法對工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)進行復(fù)指數(shù)檢測，提取工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)的弱關(guān)聯(lián)性指數(shù)特征，實現(xiàn)對工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)模擬仿真。最后進行仿真分析，得出有效性結(jié)論。

2 人機交互數(shù)據(jù)結(jié)構(gòu)分析和特征提取

2.1 人機交互狀態(tài)數(shù)據(jù)結(jié)構(gòu)分析

為實現(xiàn)人機交互狀態(tài)數(shù)據(jù)模擬仿真，首先分析人機交互狀態(tài)數(shù)據(jù)結(jié)構(gòu)，構(gòu)建一個微分方程表達人機交互狀態(tài)數(shù)據(jù)約束參量的信息流模型為

xn=x(t0+nΔt)=h[z(t0+nΔt)]+ωn

(1)

其中，h(.)為人機交互狀態(tài)數(shù)據(jù)的多元價值函數(shù)，ωn為人機交互狀評估誤差測量函數(shù)，t為時間，Δt為時間變化量。當特征空間為多維時，特征融合過程需對人機交互的相關(guān)連續(xù)狀態(tài)數(shù)據(jù)實現(xiàn)解向量的計算[6]，進而獲取特征訓(xùn)練子集Si(i=1，2，…，L)，滿足以下條件：

c1x(τ)=E{x(n)}=0

c2x(τ)=E{x(n)x(n+τ)}=r(τ)

ckx(τ1，τ2，…，τk-1)≡0 (k≥3)

(2)

當τ=2，人機交互狀態(tài)數(shù)據(jù)的置信度水平滿足(2+1)維。采用多維空間重組方法，進行人機交互狀態(tài)數(shù)據(jù)的收斂解分析，其中約束條件為

(3)

由此構(gòu)建的人機交互狀態(tài)數(shù)據(jù)的分布式存儲結(jié)構(gòu)模型，根據(jù)數(shù)據(jù)的存儲狀態(tài)特征量，進行數(shù)據(jù)的模擬仿真分析[7]。

2.2 特征提取

根據(jù)上述數(shù)據(jù)結(jié)構(gòu)模型，進行的人機交互狀態(tài)數(shù)據(jù)的特征提取，得到人機交互狀態(tài)數(shù)據(jù)在時刻t和頻點f的強度，構(gòu)建人機交互狀態(tài)數(shù)據(jù)的自適應(yīng)控制目標函數(shù)為

(4)

(5)

(6)

特征分布空間具有多維特性，工業(yè)環(huán)境下的人機交互狀態(tài)相關(guān)數(shù)據(jù)的統(tǒng)計函數(shù)可表示為u：I×IRd→IR，假定其迭代次數(shù)為k-1，且k≥1，數(shù)據(jù)統(tǒng)計特征序列需滿足N(k)

(7)

結(jié)合大數(shù)據(jù)融合法建立大數(shù)據(jù)流分布聚類的多特征函數(shù)，假設(shè)存在模糊擾動，其聚類目標函數(shù)為：

(8)

(9)

其中，a0為初始狀態(tài)下人機交互狀態(tài)數(shù)據(jù)的采樣幅值，xn-i為標量時間序列，bj為人機交互狀態(tài)數(shù)據(jù)的振蕩衰減值。由此得到數(shù)據(jù)挖掘的迭代式

(10)

(11)

采用相關(guān)性檢測方法進行數(shù)據(jù)的人機交互設(shè)計，設(shè)計的工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)挖掘算法是穩(wěn)定收斂的。

數(shù)據(jù)結(jié)構(gòu)分析和特征提取的總體過程如圖1所示。

圖1 數(shù)據(jù)結(jié)構(gòu)分析和特征提取過程圖

3 人機交互狀態(tài)數(shù)據(jù)模擬

3.1 數(shù)據(jù)聚類

(12)

將其轉(zhuǎn)換為最優(yōu)二乘解問題，具體計算過程如下：

z(t)=x(t)+iy(t)=a(t)eiθ(t)+n(t)

(13)

(14)

式中，pk，n為高維的特征分布空間的主成分特征。采用空間映射方法，對人機交互狀態(tài)數(shù)據(jù)進行分布式檢測，得到x(k)。通過大數(shù)據(jù)融合調(diào)度，得到人機交互狀態(tài)數(shù)據(jù)的檢驗統(tǒng)計量為

(15)

采用替代數(shù)據(jù)法對人機交互狀態(tài)數(shù)據(jù)進行復(fù)指數(shù)檢測，得到x′(k)，基于大數(shù)據(jù)模糊K均值聚類方法，得到人機交互狀態(tài)特征量的第k類的子類集合，由此得到人機交互狀態(tài)特征的利用率可以表示為

(16)

基于計算出的人機交互狀態(tài)特征的利用率，引入大數(shù)據(jù)分析法得到主成分特征量[9]，求解人機交互狀態(tài)數(shù)據(jù)分布相似度

(17)

式中：di為工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)的先驗分布特征向量，d1j為第1層大數(shù)據(jù)的K均值聚類中心向量。根據(jù)上述分析，實現(xiàn)人機交互狀態(tài)數(shù)據(jù)的聚類挖掘，結(jié)合特征聚類結(jié)果，進行數(shù)據(jù)模擬仿真。

3.2 人機交互狀態(tài)數(shù)據(jù)模擬的優(yōu)化

結(jié)合分段線性相關(guān)融合方法，實現(xiàn)工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)的指標參數(shù)聚類和整合，得到人機交互狀態(tài)數(shù)據(jù)的特征融合輸出表達式為

P(w|x)=P(x|w)/P(x)

(18)

排序人機交互狀態(tài)數(shù)據(jù)融合權(quán)重進行：

P11≥P12≥P13……P1J≥……

(19)

(20)

式(20)中，矩陣e為局略局部誤差矩陣，因此可得人機交互狀態(tài)數(shù)據(jù)的定向聚類矩陣為：

Y=Xβ+e

(21)

式中，矩陣X為n×m維的指向性聚類分布矩陣，β為m×1維的模糊約束向量。

通過對狀態(tài)數(shù)據(jù)的較小關(guān)聯(lián)度特征的提取可獲取狀態(tài)數(shù)據(jù)的尺度因子為：

(22)

結(jié)合數(shù)據(jù)的一維分布矢量Xn，利用分段融合特征匹配方法，進行工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)的信息分離，得到工業(yè)環(huán)境下的人機交互狀態(tài)分布相關(guān)信息量為

(23)

對于n組工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)(xi1，xi2，…xi，m-1，yi)，i=1，2，…，n，采用模糊指向性聚類方法進行工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)的模糊聚類處理。綜上分析，實現(xiàn)對工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)模擬仿真。

4 仿真與結(jié)果分析

為測試本文方法在實現(xiàn)工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)模擬仿真中的應(yīng)用性能，進行仿真。實驗采集的工業(yè)大數(shù)據(jù)來源于某大型冶金工業(yè)，其人機交互設(shè)備以及工業(yè)生產(chǎn)監(jiān)控界面分別如圖圖2、圖3所示。

圖2 人機交互設(shè)備

圖3 工業(yè)生產(chǎn)人機交互監(jiān)控界面

對數(shù)據(jù)樣本采集的樣本數(shù)據(jù)條數(shù)為14000條數(shù)據(jù)，統(tǒng)計特征分布的個數(shù)為420000個數(shù)據(jù)項，特征采樣的頻率分布為12kHz，數(shù)據(jù)分布的帶寬為120 kbuad。采集工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)為功率特征分布集，設(shè)置數(shù)據(jù)采樣的時間間隔為60s，采樣的停滯時間為120～200s，信息采樣的時長10000 s。根據(jù)上述實驗環(huán)境和參數(shù)設(shè)定，得到工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)采集的時域特征分布如圖4所示。

圖4 人機交互狀態(tài)數(shù)據(jù)采集的時域特征分布

以圖4的數(shù)據(jù)為研究對象，進行人機交互狀態(tài)數(shù)據(jù)的特征提取，得到關(guān)聯(lián)性指數(shù)挖掘結(jié)果如圖5所示。

圖5 關(guān)聯(lián)性指數(shù)挖掘結(jié)果

分析圖5得知，采用本文方法能有效實現(xiàn)對工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)的挖掘和特征提取，實現(xiàn)對工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)模擬仿真。

以上述實驗條件為基礎(chǔ)，在本次對比測試中，串口擴展為雙RS232接口，其中終端設(shè)備UART0的作用為調(diào)試，UART4則為普通串口設(shè)備。工業(yè)環(huán)境下，運行設(shè)備上電后，由測試程序完成串口的信息發(fā)送與接收功能。圖6和圖7分別為兩種算法下RS232收發(fā)數(shù)據(jù)時的波形圖，以此反映測試數(shù)據(jù)挖掘的關(guān)聯(lián)性。

圖6 傳統(tǒng)方法數(shù)據(jù)模擬連續(xù)性

圖7 研究方法數(shù)據(jù)模擬連續(xù)性

從實驗結(jié)果中可以看出傳統(tǒng)方法在進行人機交互數(shù)據(jù)模擬過程中出現(xiàn)明顯數(shù)據(jù)斷點問題，無法對數(shù)據(jù)進行連續(xù)模擬。相比之下，研究方法的人機交互狀態(tài)數(shù)據(jù)模擬連續(xù)性更好，不存在斷點數(shù)據(jù)，說明此方法能夠有效提高人機交互數(shù)據(jù)模擬的精度。

5 結(jié)語

研究工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)模擬模型，進行數(shù)據(jù)的優(yōu)化仿真。提出基于模糊關(guān)聯(lián)聚類分析的人機交互狀態(tài)數(shù)據(jù)模擬方法。提取工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)的弱關(guān)聯(lián)性指數(shù)特征，改善數(shù)據(jù)模擬的輸出連續(xù)性。實驗結(jié)果表明，該方法進行工業(yè)環(huán)境下的人機交互狀態(tài)數(shù)據(jù)模擬具有很好的應(yīng)用價值。