涂胜倩

安徽三联学院基础实验教学中心，安徽 合肥230601

0 引言

随着物联网和云计算技术的发展，采用分布式云计算的方法进行异构物联网设备组网设计，通过异构物联网设备监测，实现对物理信息的自适应感知和探测，并在云计算环境下实现异构物联网设备信息采集和融合处理，在采用异构物联网进行信息检测和存储过程中，受到异构物联网设备的环境因素影响，需要对异构物联网的感知数据进行可靠性标记［1］，建立异构物联网感知设备可信数据的优化标记模型，通过对异构物联网感知设备可信数据的多标记特征选择，结合优化的数据挖掘和特征提取技术［2］，提高对异构物联网感知设备可信数据的挖掘和检测能力，相关的异构物联网感知设备可信数据多标记特征选择算法研究受到人们的极大关注.本文提出基于局部子空间的可信数据多标记特征选择算法.建立异构物联网感知设备可信数据的大数据分布式存储结构模型，采用大数据信息融合方法进行异构物联网感知设备可信数据的可信动态特征度量，提取异构物联网感知数据的关键特征点，在聚类中心中实现对异构物联网感知设备可信数据的自适应融合和自适应多标记特征选择.最后进行仿真测试分析，得出有效性结论.

1 异构物联网感知设备可信数据存储结构分析和特征提取

1.1 异构物联网感知设备可信数据存储结构分析

为了实现异构物联网感知设备可信数据的挖掘和检测，进行可信数据的特征标记，建立异构物联网感知设备可信数据的大数据分布式存储结构模型，如图1 所示.

图1 数据的分布式存储结构模型Fig. 1 Distributed storage structure model of data

采用模糊子空间约束控制方法，建立异构物联网感知设备可信数据特征提取模型，得到分离性度量方法

1.2 异构物联网感知设备可信数据特征提取

为了实现对异构物联网感知设备可信数据自适应多标记特征选择，采用大数据信息融合方法进行异构物联网感知设备可信数据的可信动态特征度量，提取异构物联网感知数据的关键特征点［5］，得到数据的紧密性度量Com(U，d)中，通过属性特征分解，结合模糊性挖掘和融合聚类分析方法，得到新的紧密度指标Com'(U，c，d)，得到异构物联网感知设备可信数据特征分解模型为

其中，dM为欧式距离，通过包络特征分析方法，得到数据既包含了xj对象到聚类中心vi的距离，构建异构物联网感知设备可信数据的强语义对齐二元特征组，得到数据包含了xj对类i 的隶属函数值.Com'(U，c，d)值反映异构物联网感知设备可信数据的强语义对齐特征组合，结合模糊度特征分解，得到异构物联网感知设备可信数据的分离性度量的差

采用多种聚类有效性指标进行异构物联网感知设备可信数据标记的可靠性分析，MPO 能很好的确定聚类个数，异构物联网感知设备可信数据标记的概率条件和几何结构分离性度量如下

其中

由此构建异构物联网感知设备可信数据的特征提取模型，得到一个好的聚类特征量Com'(U，c，d)，用较小的Sep'(U，c，d)，VS(U，V)定义异构物联网感知设备可信数据标记的有效性函数，VS(U，V)值越大表明聚类划分结果越好.通过对异构物联网感知设备可信数据特征提取结果，进行多标记选择［7］.

2 可信数据多标记特征选择优化

2.1 数据的关联特征分布

提取异构物联网感知数据的关键特征点，采用关联规则挖掘方法进行物联网设备可信数据分布式检测［8］，得到异构物联网感知设备可信数据挖掘的统计分布概率密度特征为

其中，在tn+1时刻和tn时刻相差一个更新周期.在局部子空间中，得到异构物联网感知设备可信数据标记的二元语义特征分布函数为

采用模糊信息融合聚类分析方法，建立异构物联网感知设备可信数据的可信动态度量的评价函数S^W表述为

采用子空间聚类分析方法，在源域与目标域中进行物联网感知设备可信数据标记，得到物联网感知设备可信数据迁移过程特征分布集，在训练集si= {xj:d(xj，yi)≤d(xj，yl)}的引导下，得到异构物联网感知设备可信数据挖掘的帧序列分布

在局部子空间中建立核函数模型，调整加权向量得到Nj*几何邻域NEj*(t)，进行物联网感知设备可信数据的关联特征分布式检测［9］.

2.2 局部子空间聚类及可信数据多标记特征选择

通过物联网感知设备可信数据的局部子空间聚类，建立可信数据关联规则特征量的演化特征分布模型为

采用多元回归分析方法，进行在线异构物联网感知设备可信数据的动态挖掘，得到异构物联网感知设备可信数据的频繁动态度量分布为

其中，pi，j(t)为异构输入的互相关信息量;spi，j(t)为有标记样本的数量;Δp(t)为增益系数;zi(t)，zj(t)表示为异构物联网感知设备可信数据的模糊度函数.通过上述分析，采用局部子空间聚类分析方法实现可信数据多标记特征选择的自适应控制和寻优，在聚类中心中实现对异构物联网感知设备可信数据的自适应融合和自适应多标记特征选择［10］.

3 仿真实验与结果

为了测试本文方法在实现可信数据多标记特征选择中的应用性能，进行实验测试分析，实验采用Matlab 进行仿真测试，对异构物联网感知设备分配的节点数为100，数据采样的时间间隔为2.5 ms，单组数据长度为1 024，仿真场景如图2 所示.

根据上述仿真环境和参数设定，进行可信数据多标记特征选择，得到待分析的数据如图3 所示.

图2 测试环境的网络结构Fig.2 Network structure of test environment

图3 待分析的数据Fig.3 Data to be analysed

以图3 的数据为研究对象，进行可信数据多标记特征选择，提取异构物联网感知数据的关键特征点，采用关联规则挖掘方法进行物联网设备可信数据分布式检测，得到数据多标记特征选择结果如图4 所示.

分析图4 得知，本文方法能有效实现可信数据多标记特征选择的特征标记准确性较高，测试可信数据多标记特征选择的准确性，得到对比结果见表1，分析表1 得知，本文方法进行可信数据多标记特征选择的精度较高，误差较低.

图4 数据的多标记特征选择结果Fig.4 Multi-marker feature selection results of data

表1 可信数据多标记特征选择准确性测试Tab.1 Reliability data multi-label feature selection accuracy test

4 结语

通过异构物联网设备监测，实现对物理信息的自适应感知和探测，本文提出基于局部子空间的可信数据多标记特征选择算法.建立异构物联网感知设备可信数据的大数据分布式存储结构模型，采用大数据信息融合方法进行异构物联网感知设备可信数据的可信动态特征度量，提取异构物联网感知数据的关键特征点，采用关联规则挖掘方法进行物联网设备可信数据分布式检测，建立数据的关联特征分布模型，采用模糊相关性融合调度方法进行异构物联网感知设备可信数据自适应多标记特征选择，采用局部子空间聚类分析方法实现可信数据多标记特征选择的自适应控制和寻优，在聚类中心中实现对异构物联网感知设备可信数据的自适应融合和自适应多标记特征选择.分析得知，本文方法进行物联网设备可信数据分布式检测的精度较高，准确性较好.