• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于孿生神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)通信異常數(shù)據(jù)捕獲

      2022-01-22 02:16:56張珠玲
      計(jì)算機(jī)仿真 2021年12期
      關(guān)鍵詞:信道卷積聯(lián)網(wǎng)

      佟 冬,張珠玲

      (1.吉林建筑科技學(xué)院計(jì)算機(jī)科學(xué)與工程學(xué)院,吉林 長春 130000;2.吉林大學(xué)通信工程學(xué)院,吉林 長春 130000)

      1 引言

      通信技術(shù)推動(dòng)物聯(lián)網(wǎng)逐步成為一種新的信息技術(shù),并日益演變?yōu)樯鐣?huì)生活與工作的主要組成部分。物聯(lián)網(wǎng)技術(shù)的興起與普及,代表以數(shù)據(jù)為中心的時(shí)代已來臨。物聯(lián)網(wǎng)數(shù)據(jù)規(guī)模龐大,其中不乏異常數(shù)據(jù)與冗余數(shù)據(jù)的存在,此類數(shù)據(jù)不僅會(huì)降低數(shù)據(jù)質(zhì)量,而且將阻礙物聯(lián)網(wǎng)技術(shù)的進(jìn)一步發(fā)展[1]。隨著物聯(lián)網(wǎng)技術(shù)[2]的飛速發(fā)展與廣泛應(yīng)用,各領(lǐng)域人員對(duì)該項(xiàng)技術(shù)的要求也越來越高。物聯(lián)網(wǎng)通信設(shè)備數(shù)量較多、規(guī)模較大,數(shù)據(jù)量也呈數(shù)倍增長趨勢,存在嚴(yán)重網(wǎng)絡(luò)安全隱患問題。通過去除物聯(lián)網(wǎng)中含有的異常數(shù)據(jù),能夠大概率降低物聯(lián)網(wǎng)通信網(wǎng)絡(luò)安全問題。為此,眾多學(xué)者與相關(guān)研究人員對(duì)物聯(lián)網(wǎng)通信安全問題進(jìn)行了很多研究,并取得了一定成果。

      金鵬等人[3]提出一種基于深度信念網(wǎng)絡(luò)的通信傳感器網(wǎng)絡(luò)異常數(shù)據(jù)檢測方法。該方法首先對(duì)通信數(shù)據(jù)的高維度數(shù)據(jù)進(jìn)行降維處理,將QSSVM與滑動(dòng)窗口相融合,完成異常數(shù)據(jù)的檢測。該方法操作速度較快,但在通信異常數(shù)據(jù)檢測中未過多考慮數(shù)據(jù)量的問題,存在檢測精度較低的問題。李永飛等人[4]為實(shí)現(xiàn)物聯(lián)網(wǎng)異常數(shù)據(jù)監(jiān)測,為了彌補(bǔ)通信節(jié)點(diǎn)地理位置缺陷問題,引入聚類分析策略,根據(jù)輪廓系數(shù),提出一種以過往監(jiān)測數(shù)據(jù)為依據(jù)的物聯(lián)網(wǎng)監(jiān)測點(diǎn)邏輯相鄰關(guān)系判別方法。該方法采用聚類方法將通信節(jié)點(diǎn)進(jìn)行聚類,確定聚類中的簇,根據(jù)輪廓系數(shù)確定通信節(jié)點(diǎn)數(shù)據(jù)之間的關(guān)系,借助邏輯相鄰關(guān)系確定節(jié)點(diǎn)是否存在異常。該方法可有效確定物聯(lián)網(wǎng)節(jié)點(diǎn)異常程度,但操作過程較復(fù)雜,存在效率低的問題。

      基于上述方法中存在的不足,本文引入孿生神經(jīng)網(wǎng)絡(luò),構(gòu)建一種物聯(lián)網(wǎng)通信異常數(shù)據(jù)捕獲方法。通過將追蹤問題變換為目標(biāo)與探索范圍中特征空間相似度計(jì)算問題,提升異常數(shù)據(jù)捕獲精度與效率;通過標(biāo)簽約束策略,將二維數(shù)據(jù)轉(zhuǎn)變成三維恒定空間,降低通信運(yùn)算復(fù)雜度。與傳統(tǒng)方法相比所提方法有效提升了物聯(lián)網(wǎng)通信數(shù)據(jù)異常捕獲精度及效率,具有一定可行性。

      2 孿生神經(jīng)網(wǎng)絡(luò)異常數(shù)據(jù)捕獲模型構(gòu)建

      2.1 孿生神經(jīng)網(wǎng)絡(luò)

      孿生神經(jīng)網(wǎng)絡(luò)通常由孿生卷積神經(jīng)網(wǎng)絡(luò)的特征提取單元與區(qū)域推薦網(wǎng)絡(luò)單元構(gòu)成[5],如圖1所示。

      圖1 孿生神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

      圖1 中,特征提取單元包括模板分支與檢測分支,主要功能為網(wǎng)絡(luò)訓(xùn)練、縮短檢測時(shí)間;區(qū)域推薦網(wǎng)絡(luò)單元為分類網(wǎng)絡(luò)與回歸網(wǎng)絡(luò),負(fù)責(zé)線性微調(diào)候選目標(biāo)區(qū)域,輸出結(jié)果。

      2.2 異常數(shù)據(jù)捕獲模型構(gòu)建

      為便于捕獲異常數(shù)據(jù),本文改進(jìn)孿生神經(jīng)網(wǎng)絡(luò),去除網(wǎng)絡(luò)Alex Net[6]框架中兩個(gè)卷積層與全連接層,通過卷積核卷積、Relu函數(shù)激活以及池化[7]等相關(guān)處理,拓展物聯(lián)網(wǎng)通信信道數(shù)量,根據(jù)多層卷積取得數(shù)據(jù)信息特征,將訓(xùn)練參數(shù)存儲(chǔ)于模板分支中,再與檢測分支共同作用,卷積處理輸出數(shù)據(jù)特征,融合模板參數(shù)與待捕獲數(shù)據(jù)特征,數(shù)據(jù)檢測、識(shí)別與捕獲均在區(qū)域推薦網(wǎng)絡(luò)中實(shí)現(xiàn)。

      在各卷積層后邊添加SE-Network形成SE-CNN構(gòu)架,加強(qiáng)物聯(lián)網(wǎng)可用信道路徑。假定輸入通信數(shù)據(jù)特征為X∈RW′*H′*C′,經(jīng)卷積核vc處理后得到特征圖U∈RW*H*C,則信道C中的特征圖感受野uc為

      (1)

      在全局平均池化層降維處理數(shù)據(jù)特征,通過轉(zhuǎn)變各二維特征信道為一個(gè)實(shí)數(shù),即

      (2)

      經(jīng)信道篩選,由sigmoid函數(shù)[8]σ(·)明確各信道權(quán)值,即

      wi=Fex(Z,W)=σ(W2δ(W1Z))

      (3)

      其中,運(yùn)行結(jié)果為Z,卷積層參數(shù)分別為W1、W2,δ(·)代表Relu函數(shù)。

      按照加權(quán)形式在數(shù)據(jù)特征上重新標(biāo)記輸出權(quán)值,加強(qiáng)可用信道與特征圖的表征性能,完成異常數(shù)據(jù)捕獲模型的構(gòu)建,即

      c=Fscale(uc,wi)=uc*wi

      (4)

      通過分析孿生神經(jīng)網(wǎng)絡(luò)的基本功能,借助全局平均池化層降維處理數(shù)據(jù)特征,并標(biāo)記輸出數(shù)據(jù)的權(quán)值,完成異常數(shù)據(jù)捕獲模型的構(gòu)建。

      3 物聯(lián)網(wǎng)通信異常數(shù)據(jù)處理與捕獲

      3.1 物聯(lián)網(wǎng)通信數(shù)據(jù)特征降維

      為實(shí)現(xiàn)物聯(lián)網(wǎng)通信異常數(shù)據(jù)的識(shí)別特征,降低識(shí)別難度,需先對(duì)其展開降維處理。在物聯(lián)網(wǎng)物理設(shè)備共通點(diǎn)基礎(chǔ)上,令網(wǎng)內(nèi)硬件拓?fù)浼軜?gòu)的三維節(jié)點(diǎn)均位于正??臻g區(qū)域中,各硬件間物理相關(guān)性為概率分布[9]形式,故障幾率約等于異常幾率。

      若物聯(lián)信道流量特征為M,則采用下列數(shù)據(jù)通信時(shí)長,描述物聯(lián)網(wǎng)通信的信道狀態(tài),即

      (5)

      通信設(shè)備信道寬度影響物聯(lián)網(wǎng)流量特征分布,各設(shè)備受不同信道干擾程度不相同。基于此,設(shè)定損耗為評(píng)估指標(biāo)。假設(shè)自消耗參數(shù)m的常取值為1,特征矩陣為BH,故評(píng)估指標(biāo)表達(dá)式為

      (6)

      物聯(lián)網(wǎng)硬件拓?fù)淇蚣茉O(shè)備故障呈概率分布狀態(tài),將設(shè)備看作不同節(jié)點(diǎn),假設(shè)V表示可衡量各硬件空間體積,設(shè)備最低硬件掃描半徑為R,此時(shí)物聯(lián)網(wǎng)節(jié)點(diǎn)故障概率分布表達(dá)式為

      (7)

      式(7)說明R半徑圓形范圍中存在一個(gè)以上硬件設(shè)備。

      引入最優(yōu)歸類理論的分類型矩陣[10],采用下列計(jì)算公式求解全部節(jié)點(diǎn)的融合中心間距為

      (8)

      利用粒子群算法[11]的標(biāo)簽約束策略,將二維數(shù)據(jù)轉(zhuǎn)化到三維恒定空間,降低通信運(yùn)算復(fù)雜度。經(jīng)融合矩陣濾除冗余數(shù)據(jù)后,得到

      P=D-1A

      (9)

      假定基礎(chǔ)簇為粒子群算法,粒子分類系數(shù)為{c1,c2},0到1之間的正態(tài)分布為{r1,r2},則明確粒子群粒子參數(shù)為

      (10)

      3.2 物聯(lián)網(wǎng)通信異常數(shù)據(jù)類別劃分

      若物聯(lián)網(wǎng)通信中產(chǎn)生的異常數(shù)據(jù)集及其特征集分別為zj、bj,兩者間關(guān)系為

      (11)

      其中,異常數(shù)據(jù)特征bj的取值大于0。

      采用下列函數(shù)方程實(shí)施數(shù)據(jù)再次過濾與解析,即

      (12)

      轉(zhuǎn)變數(shù)據(jù)種類劃分問題為三維空間部署問題,解得最佳種類劃分結(jié)果為

      (13)

      三維空間部署問題約束條件方程組表示為

      (14)

      其中,k=1,2,…,m。

      利用超平面[12]劃分異常數(shù)據(jù)種類,并完成最佳超平面問題到極值問題的轉(zhuǎn)變,采用下列表達(dá)式界定最優(yōu)種類劃分結(jié)果中的最佳數(shù)據(jù)集,即

      (15)

      根據(jù)約束條件方程組(14),得到異常數(shù)據(jù)種類劃分的目標(biāo)函數(shù)為

      g(y)=sgn{(x**y)+c*}

      (16)

      在此基礎(chǔ)上,將標(biāo)簽約束策略設(shè)定為物聯(lián)網(wǎng)數(shù)據(jù)種類劃分的另一約束條件,得到目標(biāo)函數(shù)的約束條件方程組為

      (17)

      結(jié)合約束條件方程組,二次求解目標(biāo)函數(shù)特征,實(shí)現(xiàn)物聯(lián)網(wǎng)通信異常數(shù)據(jù)類別劃分,即

      (18)

      3.3 物聯(lián)網(wǎng)通信異常數(shù)據(jù)捕獲實(shí)現(xiàn)

      根據(jù)上述劃分的異常數(shù)據(jù)結(jié)果,將物聯(lián)網(wǎng)異常數(shù)據(jù)捕獲問題轉(zhuǎn)換為數(shù)據(jù)相似度度量問題,利用孿生神經(jīng)網(wǎng)絡(luò)捕獲異常物聯(lián)網(wǎng)通信數(shù)據(jù)。

      經(jīng)訓(xùn)練分類后的各異常數(shù)據(jù)集合,獲取映射函數(shù)為f(ζ,ξ),根據(jù)待捕獲的異常數(shù)據(jù)ζ與候選數(shù)據(jù)ξ,對(duì)映射函數(shù)f(ζ,ξ)進(jìn)行網(wǎng)絡(luò)學(xué)習(xí),若兩數(shù)據(jù)具有相同屬性,則映射函數(shù)f(ζ,ξ)將具有較高相似度值;反之,則映射函數(shù)f(ζ,ξ)的相似度值較低。

      待捕獲數(shù)據(jù)ζ與候選數(shù)據(jù)ξ具備相同孿生神經(jīng)網(wǎng)絡(luò)提取特征φ(ζ)與φ(ξ),若利用相似度度量函數(shù)g評(píng)估兩特征之間的相似性,則映射函數(shù)f(ζ,ξ)為

      f(ζ,ξ)=g(φ(ζ),φ(ξ))

      (19)

      將物聯(lián)網(wǎng)通信數(shù)據(jù)輸入到孿生神經(jīng)網(wǎng)絡(luò)中,假定初始數(shù)據(jù)集內(nèi)待捕獲的異常數(shù)據(jù)特征為(w,h),特征補(bǔ)償為pz,則初始數(shù)據(jù)集中待捕獲數(shù)據(jù)屬性Sz為

      Sz=(w+2pz)*(h+2pz)

      (20)

      由待捕獲物聯(lián)網(wǎng)異常數(shù)據(jù)產(chǎn)生的候選數(shù)據(jù)特征為(wz,hz),特征補(bǔ)償為px,其中心位置與待捕獲數(shù)據(jù)一致,即

      (21)

      式中,A、B表示與數(shù)據(jù)特征相關(guān)的矩陣函數(shù)。

      故推導(dǎo)出下列候選數(shù)據(jù)屬性Sx界定式為

      Sx=(wz+px)*(hz+px)

      (22)

      在孿生神經(jīng)網(wǎng)絡(luò)模型中無全連接層,故將卷積層的輸出數(shù)據(jù)設(shè)定成提取到的數(shù)據(jù)特征。根據(jù)孿生神經(jīng)網(wǎng)絡(luò)提取特征,度量待捕獲數(shù)據(jù)與候選數(shù)據(jù)之間的相似度。利用交叉相關(guān)層度量相似度,得到

      f(ζ,ξ)=φ(ζ)*φ(ξ)+b

      (23)

      式中,一維實(shí)數(shù)矢量為b。

      若孿生神經(jīng)網(wǎng)絡(luò)輸出數(shù)據(jù)為v,標(biāo)簽數(shù)據(jù)為y∈{1,-1},則應(yīng)用下列l(wèi)ogistic損失函數(shù)訓(xùn)練網(wǎng)絡(luò)模型為

      l(y,v)=log(1+exp(-yv))

      (24)

      結(jié)合式(23),當(dāng)物聯(lián)網(wǎng)通信過程中的異常數(shù)據(jù)特征數(shù)量為D時(shí),完成異常數(shù)據(jù)捕獲,即

      (25)

      4 仿真分析

      4.1 仿真方案

      為驗(yàn)證所提方法的物聯(lián)網(wǎng)通信數(shù)據(jù)異常數(shù)據(jù)捕獲效果,進(jìn)行仿真分析。實(shí)驗(yàn)在Matlab軟件中進(jìn)行,仿真操作系統(tǒng)為Windows 10 系統(tǒng),運(yùn)行內(nèi)存為16 GB 。仿真中物聯(lián)網(wǎng)通信異常數(shù)據(jù)特征提取框架設(shè)計(jì)如表1 所示。

      表1 物聯(lián)網(wǎng)通信異常數(shù)據(jù)特征提取框架

      選取的仿真通信數(shù)據(jù)集情況如表2所示。

      表2 通信數(shù)據(jù)集

      在上述仿真環(huán)境及參數(shù)設(shè)定基礎(chǔ)上,仿真采用所提方法、基于深度信念網(wǎng)絡(luò)的數(shù)據(jù)異常檢測方法以及基于聚類的物聯(lián)網(wǎng)監(jiān)測點(diǎn)相鄰關(guān)系的判定方法對(duì)比捕獲樣本異常數(shù)據(jù)的精度和捕獲耗時(shí),驗(yàn)證所提方法的有效性。

      4.2 實(shí)驗(yàn)結(jié)果分析

      為驗(yàn)證所提方法在物聯(lián)網(wǎng)通信異常數(shù)據(jù)捕獲中的有效性,實(shí)驗(yàn)分析了所提方法、基于深度信念網(wǎng)絡(luò)的數(shù)據(jù)異常檢測方法以及基于聚類的物聯(lián)網(wǎng)監(jiān)測點(diǎn)相鄰關(guān)系判定方法對(duì)樣本數(shù)據(jù)異常的捕獲精度,實(shí)驗(yàn)結(jié)果如圖2 所示。

      圖2 不同方法捕獲異常數(shù)據(jù)精度分析

      分析圖2 結(jié)果可以看出,隨著仿真迭代次數(shù)的不斷改變,所提方法、基于深度信念網(wǎng)絡(luò)的數(shù)據(jù)異常檢測方法以及基于聚類的物聯(lián)網(wǎng)監(jiān)測點(diǎn)相鄰關(guān)系判定方法在捕獲異常樣本數(shù)據(jù)的精度發(fā)生了改變。其中,所提方法捕獲精度最高,且始終在90%以上,而其它兩種方法的捕獲精度始終低于所提方法,驗(yàn)證了所提方法可以有效捕獲異常數(shù)據(jù)。

      在保證樣本異常數(shù)據(jù)捕獲精度的基礎(chǔ)上,仿真進(jìn)一步分析了三種方法在捕獲異常通信數(shù)據(jù)的耗時(shí),仿真結(jié)果如圖3 所示。

      圖3 不同方法捕獲異常數(shù)據(jù)耗時(shí)分析

      分析圖3 中數(shù)據(jù)可以看出,隨著仿真迭代次數(shù)的不斷改變,所提方法在對(duì)樣本異常數(shù)據(jù)進(jìn)行捕獲時(shí)的耗時(shí)較短,且始終在2 s以下,相比之下其它兩種方法的捕獲耗時(shí)較長,且遠(yuǎn)高于所提方法,由此可以看出所提方法在對(duì)物聯(lián)網(wǎng)通信異常數(shù)據(jù)捕獲時(shí)的速度較快,工作效率較高。

      5 結(jié)束語

      針對(duì)物聯(lián)網(wǎng)通信中存在的異常數(shù)據(jù),本文引入孿生神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),設(shè)計(jì)了一種新的物聯(lián)網(wǎng)通信異常數(shù)據(jù)捕獲方法。通過分析孿生神經(jīng)網(wǎng)絡(luò)的基本原理基礎(chǔ)上,構(gòu)建異常數(shù)據(jù)捕獲模型,并對(duì)物聯(lián)網(wǎng)通信中異常數(shù)據(jù)進(jìn)行降維處理,實(shí)現(xiàn)了物聯(lián)網(wǎng)通信異常數(shù)據(jù)的捕獲。與傳統(tǒng)方法相比本文方法具有以下優(yōu)勢:

      1)采用所提方法對(duì)物聯(lián)網(wǎng)通信異常數(shù)據(jù)捕獲的精度始終高于90%,具有一定可信度;

      2)采用所提方法對(duì)物聯(lián)網(wǎng)通信異常數(shù)據(jù)捕獲的耗時(shí)始終低于2 s ,捕獲速度較快。

      雖然現(xiàn)階段本文方法取得了一定成果,但仍然存在諸多不足,未來將在物聯(lián)網(wǎng)通信數(shù)據(jù)規(guī)模上對(duì)所提方法進(jìn)行改進(jìn),以提升方法的有效性。

      猜你喜歡
      信道卷積聯(lián)網(wǎng)
      “身聯(lián)網(wǎng)”等五則
      基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
      從濾波器理解卷積
      電子制作(2019年11期)2019-07-04 00:34:38
      搶占物聯(lián)網(wǎng)
      通信世界(2018年27期)2018-10-16 09:02:56
      基于傅里葉域卷積表示的目標(biāo)跟蹤算法
      基于導(dǎo)頻的OFDM信道估計(jì)技術(shù)
      一種改進(jìn)的基于DFT-MMSE的信道估計(jì)方法
      基于MED信道選擇和虛擬嵌入塊的YASS改進(jìn)算法
      可再生能源與物聯(lián)網(wǎng)
      風(fēng)能(2015年10期)2015-02-27 10:15:34
      一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識(shí)別方法
      新乡市| 南靖县| 原阳县| 亳州市| 格尔木市| 五大连池市| 临朐县| 博湖县| 马鞍山市| 雷山县| 石首市| 西城区| 北川| 东乡族自治县| 花莲县| 二连浩特市| 紫金县| 定西市| 苍溪县| 皋兰县| 长垣县| 萨嘎县| 全南县| 黎城县| 博野县| 固阳县| 大埔区| 陇南市| 沛县| 铜川市| 姚安县| 通州市| 饶平县| 两当县| 手游| 黔江区| 华容县| 班戈县| 湖口县| 波密县| 英吉沙县|