基于相空间融合的异构网络数据拓扑重构技术

黄浩瀚，陆兴华，黄嘉昊，罗国华

(广东工业大学华立学院，广东 广州 511325)

0 引 言

随着云媒体和多媒体信息技术的发展，在云计算平台中构建模糊层次空间异构网络数据库，结合大数据融合和特征分布式调度，实现模糊层次空间异构网络数据库的优化存储和传输，从而提高大数据信息管理能力。因此模糊层次空间异构网络数据库被广泛应用在数据库管理和大数据融合集成中，研究模糊层次空间异构网络数据库异构智能化查询技术，通过空间分布式融合和特征聚类分析，构建模糊层次空间异构网络数据库的动态拓扑重构模型，提高数据融合和特征检测能力，相关的模糊层次空间异构网络数据库查询方法研究在数据存储和管理中具有重要意义[1]。

研究异构网络数据动态拓扑重构系统设计是建立在对数据的特征重构和数据挖掘的基础上，结合对模糊层次空间异构网络数据库的差异性特征聚类分析结果，通过模糊度扩展分析，实现对异构网络数据动态拓扑重构。当前，对异构网络数据动态拓扑重构方法主要有主成分特征分析的数据查询方法、基于相似度特征融合的数据查询方法以及基于资源信息融合共享的数据查询方法等[2-4]。建立异构网络数据动态拓扑重构的相似度特征分布函数，采用空间数据云计算技术，实现异构网络数据动态拓扑重构，但传统方法进行异构网络数据动态拓扑重构的智能性不好，时间开销较大。针对上述问题，该文提出基于相空间融合的异构网络数据动态拓扑重构算法。构建模糊层次空间异构网络数据库的异构存储结构模型，实现对模糊层次空间异构网络数据库的统计信息融合聚类，根据数据的动态拓扑重构聚类结果，结合随机自适应调度和子空间压缩方法，实现对模糊层次空间异构网络数据库的动态拓扑重构，提高模糊层次空间异构网络数据库查询数据的特征聚类性。最后进行仿真测试分析，展示了该方法在提高异构网络数据动态拓扑重构能力方面的优越性能。

1 模糊层次空间异构网络数据库存储结构模型和特征分析

1.1 模糊层次空间异构网络数据库存储结构模型

为了实现基于相空间融合的异构网络数据动态拓扑重构系统优化设计，基于相空间融合交叉编译和仿真分析，构建异构网络数据动态拓扑重构算法，采用嵌入式的交叉编译算法[5]，进行模糊层次空间异构网络数据库存储的异构查询系统设计。构建模糊层次空间异构网络数据库的异构存储结构模型，如图1所示。

图1 模糊层次空间异构网络数据库的

图2 数据拓扑重构决策树

在图2中，结合动态拓扑和关联规则检测，在粗糙集模式下，得到模糊层次空间异构网络数据库查询的隐藏层加权特征分量为：

φ=(φ1,φ2,…,φn)

(1)

α=(α1,α2,…,αn)T

(2)

1.2 可视化空间数据特征分析

采用网格分块特征检测和特征重组技术实现对模糊层次空间异构网络数据库的动态拓扑设计，挖掘模糊层次空间异构网络数据库的关联规则和空间谱分布集[11]，通过融合度聚类分析，进行到模糊层次空间异构网络数据库的异构样本特征分解，得到模糊层次空间异构网络数据库查询优化指标为u=[u1,u2,…,uk]，模糊层次空间异构网络数据库的异构样本边∑=[∑1∑2…∑k]，采用五元组O=(C,I,P,Hc,R,A0)表示模糊层次空间异构网络数据库查询的输出容量，其中，C为数据查询的负载量，I为模糊层次空间异构网络数据库存结构的互信息特征量，将数据集加载到SparkSql，得到数据异构查询的特征分布流为：

(3)

(4)

其中，E[xk]为模糊层次空间异构网络数据库的信息融合中心，Φk(ω)为模糊层次空间异构网络数据库差异性查询的间隔，xk为测试样本y相对于训练样本的特征匹配系数。结合离散采样构建模糊层次空间异构网络数据库融合模型，设置M,T1,T2,T3,R1,R2,R3,R4,R5的HASH值为c，得到模糊层次空间异构网络数据库对应项集列中项集所在的事务集为：

mk=E[xk]=

(5)

(6)

式中，Mh为模糊层次空间异构网络数据库差异性分布负载量。在产生一组聚类属性特征V后，采用关联规则挖掘和融合聚类，得到模糊层次空间异构网络数据库差异性查询的量化特征分布集[12]。

2 模糊层次空间异构网络数据库查询优化

2.1 可视化空间数据查询输出聚类处理

挖掘模糊层次空间异构网络数据库的关联规则特征分布集，采用相空间融合和模糊C均值聚类方法，实现对模糊层次空间异构网络数据库的统计信息融合聚类，根据数据的动态拓扑重构聚类结果[13]，模糊层次空间异构网络数据库的统计信息融合聚类的窗口系数W给定时，得到数据查询输出的联合概率密度函数为：

(7)

根据模糊层次空间异构网络数据库的主题词列表分布[14]，通过联合概率密度来计算优先级排序规则，得到模糊层次空间异构网络数据库的统计样本Di对角元素xi和xj同属于第k类有限数据集，那么在决策表信息系统中，得到模糊层次空间异构网络数据最大信息融合分布系数k(x)=E(x4)-3E(x2)，否则wij=0。令y0=[1,1,…,1]T，计算模糊层次空间异构网络数据特征子系统的检测统计量，记为e(t)=y-Dα(t)，对应的最终特征子集yk为：

(8)

采用过模糊层次空间异构网络数据模糊层次空间融合，得到异构网络数据库的主题词信息融合中心[14]，模糊层次空间异构网络数据库的模式分析向量α=pπ/2，通过求解皮尔逊相关系数：

rmax=(P(N0β)-1)1/α

(9)

(10)

设c为模糊层次空间异构网络数据库查询样本类别数，mk为第k类模糊层次空间异构网络数据库查询的特征分类属性值，此时模糊层次空间异构网络数据库融合的检测统计特征量为Xk=[xk1,xk2,…,xkm,…,xkM]，由此降低了模糊层次空间异构网络数据库查询的存储开销和计算开销，将模糊层次空间异构网络数据库的查询样本划分为训练样本和袋外数据，得到传递函数为：

(11)

根据上述分析，实现可视化空间数据查询输出聚类处理[15-16]。

2.2 模糊层次空间异构网络数据库动态拓扑重构

3W‖W‖2]

(12)

综上分析，根据特征向量相关程度，实现对模糊层次空间异构网络数据库查询的属性分析，分类模型为：

(13)

通过融合聚簇特征分析方法，以离散程度较差的特征向量作为测试集，得到模糊层次空间异构网络数据库查询的传输信道容量为：

k=0,1,…,N-1

(14)

式中，an表示模糊层次空间异构网络数据库查询的交叉融合特征分布集，在空间中近邻样本中，通过模糊隶属度特征检测，得到模糊层次空间异构网络数据库当前特征子空间中的距离为x(k-1),…,x(k-M)，数据查询的融合奇异值分布为：

Rw(l)=E[w(k)wH(k+l)]=

(15)

当ωk满足n个稳定特征解，结合随机自适应调度和子空间压缩方法，实现对模糊层次空间异构网络数据库的动态拓扑重构，把s(t)→s(t)、s(t)→S(f)代入模糊层次空间异构网络数据库的查询离散分布序列中，得到训练数据和测试数据融合输出为：

(16)

当前特征子空间中信息查询的时间分布满足n∈[n1,n2]，采用代价函数g(x,y)作为模糊层次空间异构网络数据库查询的差异性调节系数，得到抽取特征子集为：

x(t)=Re{an(t)e-j2πfcτn(t)sl(t-τn(t))e-j2πfct}

(17)

综上分析，采用异构存储优化设计和特征聚类分析，实现对模糊层次空间异构网络数据库的动态拓扑重构，提高模糊层次空间异构网络数据库查询数据的特征聚类性。算法的实现流程如图3所示。

图3 算法的实现流程

3 仿真测试分析

为了验证该方法在实现异构网络数据动态拓扑重构的应用性能，进行仿真测试分析。实验采用Matlab语言编程设计，将模糊层次空间异构网络数据库的数据查询网格划分为240个网格，每个异构网络数据组合的分块区域的数据片大小为1 200 Kb，模糊层次空间异构融合的维数为12，相空间的嵌入延迟为124 ms，数据集划分为训练数据和测试数据。根据上述参数设定，进行模糊层次空间异构网络数据库拓扑重构，得到的样本数据分布如图4所示。

图4 模糊层次空间异构网络数据库的样本数据分布

以图4的数据为测试对象，实现对模糊层次空间异构网络数据动态拓扑重构分析，得到的网络数据动态拓扑重构结果如图5所示。

分析图5得知，该方法进行模糊层次空间异构网络数据动态拓扑重构的聚类性较好，测试不同方法进行异构网络数据动态拓扑重构后的输出错误率，得到的对比结果如图6所示。

图5 模糊层次空间异构网络数据动态拓扑重构结果

图6 网络数据查询正确率测试

分析图6得知，该方法进行模糊层次空间异构网络数据库查询的正确率较高，从而使得查全率和查准率较高，提高了数据的可靠性查询能力。

4 结束语

构建模糊层次空间异构网络数据库的动态拓扑重构模型，提高数据融合和特征检测能力，提出基于相空间融合的异构网络数据动态拓扑重构算法。采用网格分块特征检测和特征重组技术实现对模糊层次空间异构网络数据库的动态拓扑设计，挖掘模糊层次空间异构网络数据库的关联规则和空间谱分布集，采用关联规则挖掘和融合聚类，得到模糊层次空间异构网络数据库差异性查询的量化特征分布集。根据数据的动态拓扑重构聚类结果，结合随机自适应调度和子空间压缩方法，实现对模糊层次空间异构网络数据库的融合解析特征分析。分析得知，该方法进行模糊层次空间异构网络数据库查询的错误率较低，提高了数据的查准率。