基于深度學(xué)習(xí)的區(qū)塊鏈數(shù)據(jù)分片峰值聚類算法

張皓

摘 要： 為了提高物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)挖掘能力，需要進(jìn)行數(shù)據(jù)優(yōu)化聚類處理，提出基于深度學(xué)習(xí)的區(qū)塊鏈數(shù)據(jù)分片峰值聚類算法。采用異構(gòu)有向圖分析方法進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)設(shè)計(jì)，結(jié)合特征空間重組技術(shù)進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)結(jié)構(gòu)重組，提取物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的關(guān)聯(lián)信息特征量，采用語義相關(guān)性融合的方法進(jìn)行區(qū)塊鏈數(shù)據(jù)特征提取和自適應(yīng)調(diào)度，對(duì)提取的物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)特征量進(jìn)行模糊聚類處理，采用模糊C均值聚類方法進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的網(wǎng)格分片峰值聚類和屬性分類識(shí)別，采用深度學(xué)習(xí)方法進(jìn)行數(shù)據(jù)聚類過程中的分片峰值融合和聚類分析，實(shí)現(xiàn)區(qū)塊鏈數(shù)據(jù)分片峰值聚類。仿真結(jié)果表明，采用該方法進(jìn)行區(qū)塊鏈數(shù)據(jù)分片峰值聚類的收斂性較好，誤分率較低，自適應(yīng)學(xué)習(xí)能力較強(qiáng)。

關(guān)鍵詞： 深度學(xué)習(xí); 區(qū)塊鏈; 數(shù)據(jù); 挖掘; 聚類

文章編號(hào)： 2095-2163（2021）07-0020-05中圖分類號(hào)：TP391文獻(xiàn)標(biāo)志碼： A

Block chain data sliced peak clustering algorithm based on deep learning

ZHANG Hao

（Huali College， Guangdong University of Technology， Guangzhou 511325， China）

【Abstract】In order to improve the ability of blockchain data mining in the Internet of Things， it is necessary to carry out data optimization clustering processing and propose a block chain data slice peak clustering algorithm based on deep learning. Using the heterogeneous directed graph analysis method to design the data storage structure of the Internet of Things block chain， combining the feature space reorganization technology to reorganize the data structure of the Internet of Things block chain， extracting the related information characteristic quantity of the Internet of Things block chain data， using the semantic correlation fusion method to extract the block chain data feature and adaptive scheduling， performing fuzzy clustering processing of the extracted block chain data feature quantity， using the fuzzy C-means clustering method to identify the grid segmented peak clustering and attribute classification of the block chain data of the Internet of Things， and using deep learning methods to perform the segmented peak fusion and clustering analysis in the process of data clustering， the segmented peak clustering of the block chain data is realized . The simulation results show that the convergence of block chain data segmentation peak clustering with this method is good， the error rate is low， and the adaptive learning ability is strong.

【Key words】deep learning; block chain; data; mining; clustering

0 引 言

隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展，需要對(duì)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)進(jìn)行優(yōu)化挖掘和存儲(chǔ)設(shè)計(jì)，通過物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的聚類分析，降低數(shù)據(jù)的存儲(chǔ)空間，提高數(shù)據(jù)的挖掘精度，相關(guān)的物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類方法研究受到人們的極大關(guān)注。對(duì)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)挖掘是建立在對(duì)數(shù)據(jù)的特征提取和信息識(shí)別基礎(chǔ)上，采用模糊信息識(shí)別技術(shù)，進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的存鏈結(jié)構(gòu)開發(fā)，結(jié)合物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的大數(shù)據(jù)特征分布進(jìn)行異構(gòu)重組[1]，建立物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的大數(shù)據(jù)信息分析模型，采用信息融合和資源優(yōu)化調(diào)度的方法進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類分析。

當(dāng)前，對(duì)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類方法主要有K-Means聚類法、網(wǎng)格區(qū)域聚類方法、粒子群聚類方法等[2-3]，建立物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的特征提取和大數(shù)據(jù)分析模型，采用相關(guān)的特征分布式檢測(cè)方法，實(shí)現(xiàn)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類。文獻(xiàn)[4]提出基于模糊層次結(jié)構(gòu)聚類的物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類方法，采用異構(gòu)有向圖分析方法進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)分塊層次結(jié)構(gòu)設(shè)計(jì)，提高數(shù)據(jù)聚類的精度，但該方法的計(jì)算開銷較大，實(shí)時(shí)性不好。文獻(xiàn)[5]提出基于特征空間重組技術(shù)的數(shù)據(jù)聚類方法，在大數(shù)據(jù)背景下進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)在線聚類優(yōu)化設(shè)計(jì)，結(jié)合分片重組技術(shù)進(jìn)行數(shù)據(jù)聚類優(yōu)化，但該方法的模糊度較大，聚類精度不高。文獻(xiàn)[6]提出指標(biāo)約束的物聯(lián)網(wǎng)節(jié)點(diǎn)部署的區(qū)塊鏈融合技術(shù)， 采用諧波諧振擾動(dòng)特征分析方法，構(gòu)建物聯(lián)網(wǎng)節(jié)能降損可靠性評(píng)估模型，結(jié)合分塊數(shù)據(jù)組網(wǎng)控制，采用數(shù)據(jù)聚類方法，實(shí)現(xiàn)物聯(lián)網(wǎng)輸出參數(shù)可靠性評(píng)估，但該方法的聚類性不好。

針對(duì)上述問題，本文提出基于深度學(xué)習(xí)的區(qū)塊鏈數(shù)據(jù)分片峰值聚類算法。首先進(jìn)行區(qū)塊鏈數(shù)據(jù)的結(jié)構(gòu)特征分析，然后進(jìn)行區(qū)塊鏈數(shù)據(jù)的特征提取，結(jié)合分片峰值聚類方法，實(shí)現(xiàn)數(shù)據(jù)聚類優(yōu)化，最后進(jìn)行仿真測(cè)試分析，得出有效性結(jié)論。

1 物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)結(jié)構(gòu)分析和特征提取

1.1 物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)結(jié)構(gòu)分析

采用有向圖模型構(gòu)建物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的聚類節(jié)點(diǎn)分布結(jié)構(gòu)模型，采用相關(guān)性的統(tǒng)計(jì)分析方法，得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的異構(gòu)存儲(chǔ)結(jié)構(gòu)模型，計(jì)算物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的模糊聚類特征分布集[6]，得到融合度函數(shù)定義為：

分析物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)集統(tǒng)計(jì)差異分布特性，得到每個(gè)插值點(diǎn)的實(shí)際值公式定義為：

其中，dm+1（m）為物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)集在第m點(diǎn)的預(yù)測(cè)值，dk+1（m）為采用第m點(diǎn)處采集的物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的模糊性特征量，根據(jù)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的特征提取結(jié)果采用模糊C均值聚類方法進(jìn)行信息處理[7]，設(shè)定全局變量，建立物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)挖掘的模糊分割系數(shù)為：

其中，Mi表示物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)挖掘的中位數(shù);Lm為物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)挖掘的下界;fm為物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的中位數(shù);fless表示各維度下物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的最小統(tǒng)計(jì)特征量。

1.2 物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)特征提取

構(gòu)建資源聚類的節(jié)點(diǎn)分布模型，在大數(shù)據(jù)背景下進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)分片峰值聚類優(yōu)化設(shè)計(jì)，設(shè)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類節(jié)點(diǎn)圖模型屬性集為X=x1，x2，…，xn，進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類節(jié)點(diǎn)圖模型設(shè)計(jì)，采用語義本體模型構(gòu)造的方法，進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)處理[8]，通過自相關(guān)特征匹配方法，分析2組相似的物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的相對(duì)貼近度φ1定義為：

其中，∑nj=1ωj=1，s-∈S，a-∈-0.5，0.5。設(shè)s1，a1，s2，a2，…，sn，an是一組描述物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的語義特征分布集，建立物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的統(tǒng)計(jì)分析模型，在模糊網(wǎng)格區(qū)域，進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的統(tǒng)計(jì)分析和自適應(yīng)調(diào)度，在模糊語義相關(guān)性融合聚類下，進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的模糊加權(quán)分析[9]，得到模糊加權(quán)的特征分布向量為ω=（ω1，ω2，…，ωn）T，ωj∈[0，1]，考慮等價(jià)的語義映射，進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的融合分析，建立物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的統(tǒng)計(jì)特征量，通過一個(gè)映射函數(shù)M表示，M：C * C' →r描述物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的相似度信息，通過空間聚類分析的方法，進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)分布式調(diào)度，建立本體模型，進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的語義相似度融合和特征聚類處理[10]。

2 物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類

2.1 區(qū)塊鏈數(shù)據(jù)特征提取和自適應(yīng)調(diào)度

采用有向圖模型構(gòu)建物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的聚類節(jié)點(diǎn)分布結(jié)構(gòu)模型，在物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)庫中進(jìn)行資源信息特征提取[11]，設(shè){（s1，a1），（s2，a2），…，（sn，an）}是物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的二元語義特征分量，采用異構(gòu)有向圖分析方法進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)設(shè)計(jì)，結(jié)合特征空間重組技術(shù)進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)結(jié)構(gòu)重組，提取物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的關(guān)聯(lián)信息特征量[12]，得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的優(yōu)化加權(quán)系數(shù)為，采用統(tǒng)計(jì)分析方法進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的聚類中心檢測(cè)，得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的關(guān)聯(lián)性本體結(jié)構(gòu)模型為：

對(duì)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)進(jìn)行模糊處理，構(gòu)建物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的自適應(yīng)調(diào)度參數(shù)SymbolQC@2F（x），建立物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的模糊決策矩陣：

物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的特征提取問題轉(zhuǎn)化為一個(gè)二元語義決策問題，物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的模糊特征匹配評(píng)價(jià)指標(biāo)集為，采用主體詞匹配的方法，分析X的相似度函數(shù)，得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的模糊隸屬度函數(shù)為：

其中，x～ik為物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的語義特征量，w～ik-1為慣性權(quán)重。利用概念、實(shí)例和屬性等實(shí)體集，得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類中心節(jié)點(diǎn)在k+1時(shí)刻的迭代函數(shù)為：

采用決策樹模型進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的特征重構(gòu)，在物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的遞歸圖模型中，采用相空間重構(gòu)的方法，實(shí)現(xiàn)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的模糊特征信息采樣[13]，得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的模糊信息加群權(quán)重向量vi，物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的相關(guān)特征分布矩陣表示為：

其中，c為物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的搜索步數(shù)，μik為物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的語義關(guān)聯(lián)度決策系數(shù)。根據(jù)上述分析，進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的特征分析和優(yōu)化調(diào)度，得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的模糊聚類中心為di，采用分塊特征演化方法，進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的關(guān)聯(lián)特征檢測(cè)，得到模糊檢測(cè)向量vi，vi=（（w1，t1），（w2，t2），…（wj，tj）），結(jié)合模糊相關(guān)性融合的方法，進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的分片峰值聚類分析[14-17]。

2.2 數(shù)據(jù)分片峰值聚類的深度學(xué)習(xí)

采用模糊C均值聚類方法進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的網(wǎng)格分片峰值聚類和屬性分類識(shí)別[18]，采用深度學(xué)習(xí)方法進(jìn)行數(shù)據(jù)聚類過程中的分片峰值融合和聚類分析，得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的在線聚類準(zhǔn)則為：

物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類節(jié)點(diǎn)的深度學(xué)習(xí)加權(quán)系數(shù)為We=ωj（e），0。修正每個(gè)聚類自適應(yīng)加權(quán)學(xué)習(xí)系數(shù)vi，就可得到聚類有效性評(píng)價(jià)矩陣R=rij，aijm×n和指標(biāo)權(quán)重W=（（ω1，β1），（ω2，β2），…，（ωn，βn）），綜上分析，建立物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的深度學(xué)習(xí)模型，構(gòu)建物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的模糊特征分布集[19-21]，得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的約束規(guī)劃模型為：

由此得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的最優(yōu)評(píng)價(jià)集記為L1，…，Ln和Pmin1，…，Pminn，物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的優(yōu)化聚類模型為：

其中，cosinij→x（dij，dxv）為物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的融合聚類特征集，根據(jù)上述分析，實(shí)現(xiàn)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的優(yōu)化聚類[22-23]。

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證本文方法在實(shí)現(xiàn)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)分片峰值聚類中的應(yīng)用性能，進(jìn)行實(shí)驗(yàn)測(cè)試分析，采用C++和Matlab 7混合編程進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的算法處理，在Hadoop云平臺(tái)中構(gòu)建物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)數(shù)據(jù)庫結(jié)構(gòu)模型，物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)大數(shù)據(jù)分布的初始樣本規(guī)模為1 200，量化分布訓(xùn)練集為120，深度學(xué)習(xí)的步長為2.4，自適應(yīng)學(xué)習(xí)的迭代步數(shù)NP=30，各組數(shù)據(jù)采樣集的相似度為0.68，根據(jù)上述仿真參數(shù)設(shè)定，進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)峰值聚類，得到物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的時(shí)域分布如圖1所示。

以圖1所示的數(shù)據(jù)為研究對(duì)象，采用語義相關(guān)性融合的方法進(jìn)行區(qū)塊鏈數(shù)據(jù)特征提取和自適應(yīng)調(diào)度，對(duì)提取的物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)特征量進(jìn)行模糊聚類處理，實(shí)現(xiàn)分片峰值聚類，得到聚類結(jié)果如圖2所示。

分析圖2得知，采用本文方法進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的峰值融合度較好，收斂性較強(qiáng)，測(cè)試誤分率，得到結(jié)果見表1，分析表1得知，本文方法進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的誤分率較低。

分析圖3結(jié)果得知，采用本文方法進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的誤分率較低，提高了數(shù)據(jù)聚類的收斂控制能力。

4 結(jié)束語

采用模糊信息識(shí)別技術(shù)，進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的存鏈結(jié)構(gòu)開發(fā)，結(jié)合物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的大數(shù)據(jù)特征分布進(jìn)行異構(gòu)重組，建立物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的大數(shù)據(jù)信息分析模型，本文提出基于深度學(xué)習(xí)的區(qū)塊鏈數(shù)據(jù)分片峰值聚類算法采用決策樹模型進(jìn)行物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的特征重構(gòu)，在物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)的遞歸圖模型中，采用相空間重構(gòu)的方法，實(shí)現(xiàn)物聯(lián)網(wǎng)區(qū)塊鏈數(shù)據(jù)聚類的模糊特征信息采樣，采用深度學(xué)習(xí)方法進(jìn)行數(shù)據(jù)聚類過程中的分片峰值融合和聚類分析，實(shí)現(xiàn)區(qū)塊鏈數(shù)據(jù)分片峰值聚類。分析得知，采用本文方法進(jìn)行區(qū)塊鏈數(shù)據(jù)分片峰值聚類的收斂性較好，誤分率較低，數(shù)據(jù)聚類的精度較高。

參考文獻(xiàn)

[1]李宇帆，張會(huì)福，劉上力，等. 教育數(shù)據(jù)挖掘研究進(jìn)展[J]. 計(jì)算機(jī)工程與應(yīng)用， 2019， 55（14）： 15-23.

[2]楊歡歡， 李天瑞， 陳馨菂. 基于螺旋圖的時(shí)間序列數(shù)據(jù)可視化[J]. 計(jì)算機(jī)應(yīng)用， 2017， 37（9）： 2443-2448.

[3]李勁，岳昆，蔡嬌，等. 基于距離度量的多樣性圖排序方法[J]. 軟件學(xué)報(bào)，2018，29（3）：599-613.

[4]YU Yong， WANG Ziyuan， XU Dianguo. Speed and current sensors fault detection and isolation based on adaptive observers for induction motor drivers[J]. Journal of Power Electronics， 2014， 5（14）：967-979.

[5]BERRIRI H， NAOUAR W， BAHRI I， et al. Field programmable gate array-based fault-tolerant hysteresis current control for AC machine drives[J]. IET Electric Power Applications， 2012， 6（3）：181-189.

[6]李雷，王磊，趙麗，等. 基于大數(shù)據(jù)技術(shù)的配電網(wǎng)絡(luò)節(jié)能降損技術(shù)分析[J]. 電子技術(shù)與軟件工程，2020（19）：224-225.

[7]龐俊， 于戈， 許嘉， 等. 基于MapReduce框架的海量數(shù)據(jù)相似性連接研究進(jìn)展[J]. 計(jì)算機(jī)科學(xué)， 2015， 42（1）：1-5.

[8]肖文， 胡娟.? 基于數(shù)據(jù)集稀疏度的頻繁項(xiàng)集挖掘算法性能分析[J]. 計(jì)算機(jī)應(yīng)用， 2018， 38（4）： 995-1000.

[9]李彥，劉軍. 面向大數(shù)據(jù)的多維數(shù)據(jù)缺失特征填補(bǔ)仿真研究[J]. 計(jì)算機(jī)仿真，2018，35（10）：432-435.

[10]王慧健， 劉崢， 李云， 等. 基于神經(jīng)網(wǎng)絡(luò)語言模型的時(shí)間序列趨勢(shì)預(yù)測(cè)方法[J]. 計(jì)算機(jī)工程， 2019， 45（7）： 13-19，25.

[11]王曉雷，陳云杰，王琛，等. 基于Q-learning的虛擬網(wǎng)絡(luò)功能調(diào)度方法[J]. 計(jì)算機(jī)工程， 2019， 45（2）： 64-69.

[12]姚富光，鐘先信，周靖超. 粒計(jì)算：一種大數(shù)據(jù)融合智能建模新方法[J]. 南京理工大學(xué)學(xué)報(bào)，2018，42（4）：503-510.

[13]王楚捷，王好賢. M-CORD下無線接入網(wǎng)絡(luò)資源分配研究[J]. 計(jì)算機(jī)工程與應(yīng)用， 2018， 54（22）： 92-98.

[14]劉良鳳，劉三陽. 基于權(quán)重差異度的動(dòng)態(tài)模糊聚類算法[J]. 吉林大學(xué)學(xué)報(bào)（理學(xué)版），2019，57（3）：574-582.

[15]孫力娟， 陳小東，韓 崇，等. 一種新的數(shù)據(jù)流模糊聚類方法[J]. 電子與信息學(xué)報(bào)， 2015， 37（7）： 1620-1625.

[16]于爽，李淑梅. 圖書電子資源信息分布式多模塊檢索仿真[J]. 計(jì)算機(jī)仿真，2020，37（6）：439-442.

[17]LIU Jinliang， XIAO Liang， LIU Guolong， et al. Active authentication with reinforcement learning based on ambient radio signals[J]. Multimedia Tools and Applications，2017，76（3）：3979-3998.

[18]劉全， 翟建偉， 章宗長， 等. 深度強(qiáng)化學(xué)習(xí)綜述[J]. 計(jì)算機(jī)學(xué)報(bào)， 2018，41（1）：1-27.

[19]姚哲，陶劍文. 多源適應(yīng)多標(biāo)簽分類框架[J]. 計(jì)算機(jī)工程與應(yīng)用， 2017， 53（7）：88-96， 170.

[20]趙國鋒， 黎軍， 王新恒， 等. 基于SDN的WLAN負(fù)載感知切換方案實(shí)現(xiàn)[J]. 計(jì)算機(jī)應(yīng)用研究，2019，36（5）：180-184

[21]ROWSHANRAD S，NAMVARASL S，ABDI V，et al. A survey on SDN， the future of networking[J]. Journal of Advanced Computer Science and Technology，2014，3（2）：232-248.

[22]田保軍， 劉爽， 房建東. 融合主題信息和卷積神經(jīng)網(wǎng)絡(luò)的混合推薦算法[J]. 計(jì)算機(jī)應(yīng)用， 2020， 40（7）： 1901-1907.

[23]SHU Jiangbo， SHEN Xiaoxuan， LIU Hai，et al. A content-based recommendation algorithm for learning resources[J]. Multimedia Systems，2018， 24（2）：163-173.

基金項(xiàng)目： 2020年度廣東省普通高校特色人才創(chuàng)新項(xiàng)目（自然科學(xué)類） 項(xiàng)目（2019KTSCX223）。

作者簡介： 張 皓（1994-），男，博士研究生，主要研究方向：區(qū)塊鏈、計(jì)算機(jī)視覺。

通訊作者： 張 皓Email：540218310@qq.com

收稿日期： 2021-03-15`