基于递归熵特征提取的层次化物联网数据检测

发布时间：2022-01-05 03:18

　　为了提高层次化物联网数据的检测能力,提出了基于递归熵特征提取的检测方法。采用网格分块区域融合方法进行层次化物联网数据的存储结构分析,建立融合聚类模型,采用模糊相关性融合聚类方法进行数据调度,提取数据的递归熵特征量,采用层次化演化聚类方法进行数据的自适应分块匹配,并用匹配滤波检测方法进行数据检测过程中的干扰抑制,根据递归熵的规则性分布关系实现数据检测优化。仿真结果表明:采用该方法进行层次化物联网数据检测的抗干扰性较好,特征匹配能力较强,数据检测的准确率较高。 

【文章来源】：河南工程学院学报(自然科学版). 2020,32(03)

【文章页数】：5 页

【部分图文】：

图1 层次化物联网数据存储结构

为了验证本方法在层次化物联网数据检测时的性能,进行仿真测试。采用MATLAB进行层次化物联网数据检测的算法处理,物联网的分布节点数为200,数据特征重构的嵌入维数为12,采样时延为1.4 ms,数据存储的根节点数为36,层次化物联网数据的属性类别数为8,数据的初始频率f1=1.5 Hz,终止采样频率f2=2.3 Hz。实验分别选取1维、10维和100维数据,根据上述参数设定,进行层次化物联网数据采样和检测优化,分析数据的聚类性能和特征检测能力,得到层次化物联网数据如图2所示。以图2的数据为研究对象,采用网格分块区域融合方法进行层次化物联网数据的优化存储设计,提取数据的递归熵特征量,在不同的迭代步数下得到特征提取结果如图3所示。

以图2的数据为研究对象,采用网格分块区域融合方法进行层次化物联网数据的优化存储设计,提取数据的递归熵特征量,在不同的迭代步数下得到特征提取结果如图3所示。分析图3可知,本方法能有效实现对层次化物联网数据的特征聚类分析,特征检测的聚类性较好,说明数据检测的抗干扰性较好。分析数据检测过程中的聚类性能,得到对比结果如图4所示。

【参考文献】：
期刊论文
[1]基于大数据的激光光栅数据特征挖掘算法[J]. 唐新宇,张新政.  激光杂志. 2019(07)
[2]基于Q-learning的虚拟网络功能调度方法[J]. 王晓雷,陈云杰,王琛,牛犇.  计算机工程. 2019(02)
[3]基于神经网络语言模型的时间序列趋势预测方法[J]. 王慧健,刘峥,李云,李涛.  计算机工程. 2019(07)
[4]粒计算:一种大数据融合智能建模新方法[J]. 姚富光,钟先信,周靖超.  南京理工大学学报. 2018(04)
[5]M-CORD下无线接入网络资源分配研究[J]. 王楚捷,王好贤.  计算机工程与应用. 2018(22)
[6]基于本体的教育资源语义检索系统研究[J]. 于超,王璐,程道文.  吉林大学学报(信息科学版). 2018(02)
[7]基于剖分网格的多源资源环境数据统一检索方法[J]. 吴飞龙,程承旗,陈波,褚福林.  武汉大学学报(信息科学版). 2017(07)
[8]无线传感器网络分布式能量非合作博弈优化技术[J]. 刘连光,潘明明,田世明,吴博.  武汉大学学报(工学版). 2017(03)
[9]区块链技术发展现状与展望[J]. 袁勇,王飞跃.  自动化学报. 2016(04)
[10]结合LiDAR点云和航空影像的建筑物三维变化检测[J]. 彭代锋,张永军,熊小东.  武汉大学学报(信息科学版). 2015(04)



本文编号：3569622