艦船通信網絡不完整節點數據模糊采集算法

劉逸飛

（交通運輸部上海打撈局，上海 200090）

數據采集技術一般是在通信網絡中部署傳感器節點，通過對傳感器節點采集到的數據進行匯總，從而獲得該區域內的數據分布情況，該技術目前已經被應用到不同領域中。例如，文獻[1]通過人機融合算法對工業物聯網進行節點部署，并提出了一種高效的數據采集系統。文獻[2]以PLC 通信設備作為數據采集工具，對數據采集的整體流程進行了討論與分析。而在艦船通信過程中，通信數據的采集質量對后續的艦船調度決策起到重要作用，因此文中結合聚類算法，通過引入平滑函數對冗余數據進行處理，從而優化數據采集效果，在此基礎上對最優數據采集路徑進行規劃，從而得到質量更高的數據采集結果，為艦船航行提供可靠的數據支持[3]。

1 不完整節點數據模糊采集算法

1.1 模糊聚類簇中心選定

在艦船通信網絡正常運行過程中，不完整節點通常有兩種類型，分別為靜態通信節點以及動態通信節點[4]。由于通信節點的不完整性，在進行數據采集時通常需要對模糊聚類中心進行選定，在此基礎上提取通信數據，并對其進行模糊化處理。對此，文中首先定義節點傳輸數據的概率，在此基礎上結合聚類閾值，選定不完整節點數據的模糊聚類簇中心，具體實現流程如下。

設艦船通信網絡節點到網絡區域中心的距離為D，通過界定通信數據傳輸的最大范圍以及最小范圍，可以計算節點向動態網關節點傳輸數據的概率c，具體概率表達式如下所示：

其中，R和r分別代表通信網絡不完整節點通信覆蓋范圍的最大值以及最小值[5]。

在通信覆蓋范圍的限制下，通信網絡采集的總次數為T，由此可以規定靜態節點和動態節點的采集次數，具體表達式如下所示：

其中，Tm代表靜態節點的采集次數，Ts代表動態節點的采集次數。

在此基礎上，文中設定了節點聚類閾值，若艦船網絡通信節點隨機生成的數值低于聚類閾值，則說明該節點無法作為模糊聚類中心；同理，若通信節點隨機生成的數值高于聚類閾值，則說明該節點的聚類表現良好，因此可以將該節點作為通信區域內的模糊聚類中心[6]。聚類閾值T(xi)的設定主要與循環次數以及中心節點與總節點之間的比值相關，具體計算公式如下所示：

其中，P代表模糊聚類中心在總通信節點數量中的占比，G代表單次循環條件下通信節點數量與總循環條件下通信節點數量的比值，xi代表通信節點隨機生成的數值。

計算出聚類閾值后，觀察聚類閾值的表達式可以看出，文中選定的聚類閾值波動范圍為0～1。因此在對不完整節點進行數據生成時，也需要將隨機生成的數值控制在0～1 范圍內，從而保證聚類閾值對比的有效性[7]。

通過上述步驟即可完成艦船通信網絡不完整節點數據模糊聚類中心的選定，結合通信節點的覆蓋范圍，規定數據采集次數，在此基礎上設定聚類閾值，選定模糊聚類中心，為后續的數據模糊采集提供幫助[8]。

1.2 數據特征向量提取

在選定艦船通信網絡節點數據的模糊聚類中心后，求解不完整節點數據的邊緣頻率分布情況，從而實現對數據特征向量的提取[9]。在采集艦船通信網絡不完整節點數據時，會受到來自艦船電氣設備的脈沖干擾ewer，因此文中引入濾波器ewep過濾數據，對通信數據邊緣頻率的均方差σa進行處理，從而得到的通信數據邊緣頻率分布表達式：

其中，ξ代表平滑函數，Saˉ代表通信網絡不完整節點數據的局部特征均值，ai代表不完整節點數據的邊緣向量，Ea代表通信數據邊緣頻率分布密度。冗余數據在艦船通信網絡中的概率分布密度主要與誤差函數esg以及通信數據特征的樣本參數相關[10]。

設通信數據特征的樣本類型以及樣本數量分別為λa和A，由此可以計算冗余數據的頻率分布密度Eb，具體計算公式為：

其中，ω代表相鄰通信節點之間的數據分配權重，da代表相鄰不完整節點之間的數據特征距離，-da代表特征距離均值。

采用平滑參數對艦船通信網絡數據中的冗余數據進行處理，這會導致不完整節點數據的特征向量中也會存在一定的平滑特征，對此引入局部幅度平滑性kwer表征該特征，由此構建出不完整節點數據的特征向量fi表達式，如下所示：

其中，τ代表特征向量所存在的局部矢量空間，bw代表去除冗余數據后的不完整節點數據，bi代表冗余數據在通信網絡拓撲結構中的分布特征向量[11]。

通過上述步驟即可完成不完整節點數據的特征向量提取，通過引入濾波器，對數據采集過程中可能會產生的脈沖干擾進行處理，并剔除冗余數據的特征向量，從而得到不完整節點的數據特征向量[12]。

1.3 數據模糊采集路徑規劃

針對上述求解出的模糊聚類中心以及數據特征向量，分析艦船通信網絡節點的分布情況，對數據采集路徑進行規劃及數據模糊化處理，從而實現數據模糊采集[13]。對此，文中以常規的艦船通信網絡節點分布情況作為研究對象，計算采集數據的比特序列開銷，從而規劃出最短采集路徑。常規的艦船通信網絡節點分布情況如圖1 所示。

圖1 艦船通信網絡節點分布情況

通過對上述艦船通信網絡節點的分布情況可以看出，數據模糊采集路徑的目標在于實現數據的快速采集[14]。因此，以聚類中心作為掃描半徑，掃描節點分布情況，并構建目標采集函數，由此即可實現對最優采集路徑的選取，具體目標函數表達式如下所示：

其中，N代表傳感器總數量，Pi代表通信網絡節點i在進行數據采集過程中的完整存活概率，Dr代表數據模糊聚類中心的掃描半徑。

提取到的不完整節點數據特征向量為fi，計算數據采集過程中的比特序列開銷C[15]，則可規劃最小路徑，開銷計算公式為：

其中，esum代表不完整節點數據采集總耗能，ebest代表能量調度函數的最優解。

根據目標函數對數據采集路徑最優值進行求解，如果計算得到的路徑規劃值低于比特序列開銷，則說明目標函數求解出的路徑規劃值為最優采集路徑；反之則需要對算法進行不斷迭代，直到求解出的路徑規劃值滿足比特序列開銷的限制要求[16]，從而輸出最優采集路徑。在完成數據路徑的規劃后，文中對艦船通信網絡數據進行模糊化處理，具體如下：

其中，F″代表不完整節點的數據模糊化值，γfi代表去模糊化參數。

通過上述步驟即可完成艦船通信網絡不完整節點數據的模糊采集路徑規劃，通過構建目標函數，求解路徑規劃結果。將數據采集比特序列開銷值作為衡量閾值，判斷最優路徑規劃值，最后對數據進行模糊化處理[17-19]。結合數據模糊采集路徑規劃與數據特征向量提取以及數據聚類中心選定等相關內容，完成不完整節點數據模糊采集算法設計。

2 仿真實驗

2.1 對比方法

為驗證提出的節點數據模糊采集算法在實際采集效果方面的有效性，實驗選取了兩種常規的節點數據模糊采集算法作為對比對象，分別為基于神經網絡的節點數據模糊采集算法，以及基于串行通信的節點數據模糊采集算法。構建實驗平臺，采用三種數據采集方法對艦船通信網絡數據進行模糊采集，對比不同采集方法的實際效果。

2.2 實驗數據集選擇

選取的實驗對象為某艦船通信系統中的網絡數據處理架構，對該數據處理架構下的通信數據進行分析，從中提取出不完整節點數據作為此次實驗的提取對象，并對實驗數據集進行聚類處理。文中所選取的艦船通信系統網絡數據處理架構主要包括三個部分，分別為業務展示層、數據存儲層以及并行處理層，具體架構如圖2 所示。

圖2 艦船通信系統網絡處理架構

從通信網絡處理架構中隨機抽取若干條通信數據作為基礎數據集，為了便于實驗測試，文中按照數據大小將基礎數據集分為了10 個不同的子數據集，具體數據集劃分結果如表1 所示。

表1 實驗數據集劃分結果

針對上述實驗數據集的劃分結果，為了提高數據采集的真實性，文中分別從每個數據集中添加了不同數量的冗余數據，用于模擬數據采集過程中產生的脈沖干擾，并對實驗數據集進行聚類分析，由此得到的聚類結果如圖3 所示。采用三種方法對艦船通信網絡數據進行采集時，需要剔除掉冗余數據，從而得到模糊聚類采集結果。因此此次實驗可以測試不同方法對于冗余數據的處理性能，從而比較出不同方法的實際數據采集效果。

圖3 數據聚類分析結果

實驗采用Matlab 軟件搭建出仿真實驗平臺，采用三種數據采集方法對實驗數據集中的數據進行模擬采集，待數據采集完成后，對采集結果進行分析，并記錄下不同采集方法下的數據融合度。

2.3 數據采集性能對比結果

對比實驗選取的對比指標為不同數據采集方法對于冗余數據的過濾性能，具體衡量指標為采集結果中的數據冗余度，該值越低，代表方法對于冗余數據的過濾性能越好。為了提高實驗結果的對比性，實驗通過改變數據集隸屬度，從而調節數據集中的冗余數據分布情況，具體實驗結果如圖4、5 所示。

圖4 聚類隸屬度為0.4時的數據冗余度

圖5 聚類隸屬度為0.8時的數據冗余度

通過圖4、5 實驗結果可以看出，隨著數據聚類隸屬度的提高，不同采集方法下得到的數據冗余度也隨之增大。通過數值上的對比可以明顯看出，兩種常規的數據模糊采集算法所得到的數據采集結果中，數據冗余度較高，且波動情況較大。而文中提出的數據模糊采集算法能夠有效對冗余數據進行過濾處理，得到的數據采集結果中，數據冗余度較低，由此可以證明文中方法的數據采集效果更好。

3 結束語

文中針對常規的不完整節點數據采集方法在冗余數據方面提取效果不佳的問題，通過結合聚類算法，提出了一種新型的數據模糊采集方法。在今后的研究工作中，還需針對不同的數據類型進行具體分析，從而優化模糊采集效果。