吳麗嬌

(福建船政交通職業(yè)學(xué)院 通識(shí)教育學(xué)院，福建 福州 350000)

隨著大數(shù)據(jù)信息處理技術(shù)的發(fā)展，采用云計(jì)算和多源信息融合識(shí)別的方法建立線性代數(shù)式檢索結(jié)果并行集成模型，根據(jù)軟件服務(wù)(SaaS)和平臺(tái)服務(wù)(PaaS)面向?qū)ο笮砸螅瑢?shí)現(xiàn)對(duì)大數(shù)據(jù)信息資源的優(yōu)化調(diào)度和參數(shù)識(shí)別，提高線性代數(shù)式檢索能力，相關(guān)的線性代數(shù)式檢索結(jié)果并行集成方法研究在大數(shù)據(jù)分析和信息處理等方面具有重要意義[1].

對(duì)線性代數(shù)式檢索結(jié)果并行集成設(shè)計(jì)是建立在對(duì)大數(shù)據(jù)信息資源的優(yōu)化特征參數(shù)識(shí)別基礎(chǔ)上，通過計(jì)算資源和物理資源的多重參數(shù)識(shí)別，實(shí)現(xiàn)對(duì)線性代數(shù)式檢索結(jié)果并行集成，傳統(tǒng)方法中對(duì)線性代數(shù)式檢索結(jié)果并行集成方法主要有線性代數(shù)式檢索結(jié)果并行集成方法、基于并行計(jì)算的線性代數(shù)式檢索結(jié)果集成方法以及相關(guān)性融合的集成方法等[2-4]，建立線性代數(shù)式檢索結(jié)果并行集成的對(duì)象性分析模型，通過多維空間參數(shù)融合，實(shí)現(xiàn)對(duì)線性代數(shù)式檢索結(jié)果并行集成，但傳統(tǒng)方法進(jìn)行線性代數(shù)式檢索結(jié)果并行集成的計(jì)算開銷較大，可靠性不好[5].

針對(duì)上述問題，本文提出基于ARMv8架構(gòu)的線性代數(shù)式檢索結(jié)果并行集成模式.首先構(gòu)建線性代數(shù)式檢索結(jié)果的大數(shù)據(jù)分析模型，采用語(yǔ)義圖模型分析的方法進(jìn)行線性代數(shù)式檢索結(jié)果并行集成的特征提取和概念集融合處理，實(shí)現(xiàn)對(duì)線性代數(shù)式檢索結(jié)果的輸出訪問控制，然后通過ARMv8架構(gòu)實(shí)現(xiàn)對(duì)線性代數(shù)式檢索結(jié)果并行集成處理，提高對(duì)線性代數(shù)式檢索結(jié)果的訪問和資源優(yōu)化調(diào)度能力.最后進(jìn)行仿真實(shí)驗(yàn)分析，展示了本文方法在提高線性代數(shù)式檢索結(jié)果并行集成能力方面的優(yōu)越性能.

1 線性代數(shù)式檢索結(jié)果的大數(shù)據(jù)參數(shù)分析

1.1 線性代數(shù)式檢索結(jié)果的大數(shù)據(jù)分布

為了實(shí)現(xiàn)基于ARMv8架構(gòu)的線性代數(shù)式檢索結(jié)果并行集成，首先構(gòu)建線性代數(shù)式檢索結(jié)果的大數(shù)據(jù)分析模型，采用線性子空間信息調(diào)度的方法，構(gòu)建線性代數(shù)式檢索結(jié)果的融合參數(shù)分布集[6]，采用語(yǔ)義圖模型分析的方法進(jìn)行線性代數(shù)式檢索結(jié)果并行集成的特征提取和概念集融合處理，得到線性代數(shù)式檢索結(jié)果的并行集成構(gòu)架模型如圖1所示.

圖1 線性代數(shù)式檢索結(jié)果的并行集成構(gòu)架模型

根據(jù)圖1所示的線性代數(shù)式檢索結(jié)果并行集成構(gòu)架模型，采用語(yǔ)義自相關(guān)特征檢測(cè)，得到線性代數(shù)式檢索的模糊貼近度參數(shù)分布集，設(shè)(sk，ak)是一個(gè)線性代數(shù)式檢索結(jié)果分布資源的關(guān)聯(lián)規(guī)則集，采用二元正文文本特征分解的方法[7]，得到線性代數(shù)式檢索結(jié)果的相似度特征分布集sk為S，采用粗糙集匹配得到第k個(gè)語(yǔ)義特征匹配點(diǎn)，ak∈[-0.5,0.5)， 在ARM嵌入式構(gòu)架軟件下，得到線性代數(shù)式檢索結(jié)果分布的決策度函數(shù)，描述為

f(e)=(sk+ak)+S，

(1)

采用模糊多屬性決策，構(gòu)建線性代數(shù)式檢索結(jié)果分布的自相關(guān)特征分布集，當(dāng)滿足β∈[0,T]，通過多維特征空間重構(gòu)，得到線性代數(shù)式檢索輸出的梯度分布向量為

(2)

其中，(sl,al)為線性代數(shù)式檢索結(jié)果信息的語(yǔ)義融合的兩個(gè)二元語(yǔ)義，采用云資源融合的方法[8]，得到線性代數(shù)式檢索結(jié)果并行調(diào)度的規(guī)則函數(shù)描述為

(i)若k

(3)

其中，hi和hy為線性代數(shù)式檢索結(jié)果并行集成節(jié)點(diǎn)的模糊貼近度矢量，根據(jù)上述分析，構(gòu)建線性代數(shù)式檢索結(jié)果的大數(shù)據(jù)分析模型，采用語(yǔ)義圖模型分析和特征重組的方法，實(shí)現(xiàn)對(duì)線性代數(shù)式檢索的融合參數(shù)識(shí)別[9].

1.2 線性代數(shù)式檢索的輸出特征分析

建立線性代數(shù)式檢索結(jié)果并行集成的綜合決策模型[10]，通過模糊聚類分析的方法，得到線性代數(shù)式檢索的并行決策權(quán)重Ek∈E，(k=1,2,…,t)，最大梯度模下線性代數(shù)式檢索結(jié)果的全局搜索結(jié)果Pi∈P(i=1,2,…,m)，關(guān)于各評(píng)價(jià)集的關(guān)聯(lián)規(guī)則分布子集為Ij∈I(j=1,2,…,n)，則線性代數(shù)式檢索結(jié)果的相對(duì)特征分布式融合計(jì)算式為

(4)

通過對(duì)線性代數(shù)式檢索結(jié)果并行集成的綜合相對(duì)貼近度計(jì)算.

定義1設(shè)(sn,an)是一組描述圖書資源檢索的語(yǔ)義特征關(guān)系強(qiáng)弱的二元特征函數(shù)，計(jì)算各備選的線性代數(shù)式檢索結(jié)果并行集成方案下相應(yīng)的權(quán)重向量為ω=(ω1,ω2,…,ωn)T，以近鄰點(diǎn)為中心構(gòu)建線性代數(shù)式檢索結(jié)果的向量量化模型，得到量化的平均算子φ1定義為

φ1=‖sn+an‖+ω，

(5)

由此構(gòu)建線性代數(shù)式檢索結(jié)果并行參數(shù)迭代控制模型.

2 線性代數(shù)式檢索結(jié)果并行集成優(yōu)化

2.1 檢索結(jié)果的并行概念空間融合

采樣概念空間融合的方法，實(shí)現(xiàn)線性代數(shù)式檢索結(jié)果并行參數(shù)融合處理，得到模糊量化特征參數(shù)為ωj，采用邏輯語(yǔ)義分析的方法參數(shù)為j(a)，得到線性代數(shù)式檢索結(jié)果并行集成的統(tǒng)計(jì)特征量φ2定義為

φ2=ωj+j(a)+φ1.

(6)

根據(jù)上述定義，建立基于語(yǔ)義圖模型的線性代數(shù)式檢索結(jié)果并行集成方法，得到線性代數(shù)式檢索結(jié)果可靠性評(píng)價(jià)的優(yōu)先級(jí)評(píng)價(jià)矩陣R=(rij,aij)m×n和指標(biāo)權(quán)重W=((ω1,β1),(ω2,β2),…,(ωn,βn)).構(gòu)建相似度特征分解模型，采用并行特征挖掘的方法，得到網(wǎng)格式的分塊融合聚類分析方法參數(shù)為km，構(gòu)建線性代數(shù)式檢索結(jié)果信息集和備選標(biāo)簽集，得出線性代數(shù)式檢索的綜合評(píng)價(jià)信息參數(shù)為d(f).通過模糊綜合評(píng)價(jià)的方法[11]，分析線性代數(shù)式檢索的信息關(guān)聯(lián)分布矩陣和約束指標(biāo)權(quán)重分別為

l(a)=R+W+km，

(7)

l(b)=R+[km+d(f)]，

(8)

根據(jù)上述步驟實(shí)現(xiàn)對(duì)線性代數(shù)式檢索結(jié)果并行集成的聚類分析，在此基礎(chǔ)上進(jìn)行資源檢索優(yōu)化設(shè)計(jì)，得到線性代數(shù)式檢索結(jié)果并行集成的優(yōu)先級(jí)控制向量集為

(9)

其中，s(j)為線性代數(shù)式檢索的融合調(diào)度模型，vt為概念空間融合的方法參數(shù)，實(shí)現(xiàn)線性代數(shù)式檢索結(jié)果并行參數(shù)融合處理.

2.2 ARMv8架構(gòu)體系融合

采用語(yǔ)義分布式分析的方法進(jìn)行線性代數(shù)式檢索結(jié)果并行集成分析，采用增量式的本體特征重構(gòu)的方法[12]，得到線性代數(shù)式檢索結(jié)果并行集成的自適應(yīng)權(quán)重為ξ，線性代數(shù)式檢索結(jié)果并行集成的檢索節(jié)點(diǎn)的關(guān)聯(lián)關(guān)系表示為

N(e)=zi(k)+|ξ+βu|，

(10)

其中βu為線性代數(shù)式檢索結(jié)果并行集成的糊度函數(shù)，通過對(duì)線性代數(shù)式檢索結(jié)果中的有用文本參數(shù)分析，采用屬性聚類，在ARMv8架構(gòu)體系下，得到相似度特征量為TLX、TLY，通過語(yǔ)本體結(jié)構(gòu)重組，得到ARMv8架構(gòu)的判決式為

(11)

結(jié)合ARMv8架構(gòu)和信息融合模型，得到線性代數(shù)式檢索輸出的指向性聚類參數(shù)特征nj，其中線性代數(shù)式檢索的輸出可靠性參數(shù)為P(S)，由于把線性代數(shù)式檢索結(jié)果分成3×3拓?fù)浣Y(jié)構(gòu)，結(jié)合模糊C均值聚類的方法，構(gòu)建線性代數(shù)式檢索結(jié)果并行集成的有限參數(shù)調(diào)度集

q=xi+M+i，

(12)

采樣概念空間融合的方法，實(shí)現(xiàn)線性代數(shù)式檢索結(jié)果并行參數(shù)融合處理，采用語(yǔ)義圖模型分布式重組的方法，得到線性代數(shù)式檢索的輸出樣本xi，i=1,2,…,n為隸屬度屬性矢量,分析對(duì)樣本類別判定起關(guān)鍵作用的屬性，得到到線性代數(shù)式檢索的屬性特征集

B(w)=SC*a+(q+i)，

(13)

其中，當(dāng)Sr=0時(shí)，基于機(jī)器學(xué)習(xí)的插補(bǔ)方法，得到線性代數(shù)式檢索結(jié)果特征量的相似度S取決于SC*a.模糊劃分輸出結(jié)果為

(14)

其中，n(GC)表示GC中線性代數(shù)式檢索并行集成的屬性特征量，mg(G1),mg(G2)表示G1、G2中的融合度函數(shù).綜上分析，實(shí)現(xiàn)基于ARMv8架構(gòu)的線性代數(shù)式檢索結(jié)果并行集成[13].

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)線性代數(shù)式檢索并行集成中的應(yīng)用性能，進(jìn)行仿真實(shí)驗(yàn)分析，采用Matlab進(jìn)行線性代數(shù)式檢索并行集成仿真，給出訓(xùn)練集屬性的樣本數(shù)為500，訓(xùn)練閾值 β=0.36，特征聚類系數(shù)為0.26，語(yǔ)義本體特征分布的概念集系數(shù)為0.18，線性代數(shù)式檢索的輸出樣本數(shù)為2100，根據(jù)上述參數(shù)設(shè)定，進(jìn)行線性代數(shù)式檢索并行集成實(shí)驗(yàn)，在不同的數(shù)據(jù)集和算法下，測(cè)試線性代數(shù)式檢索并行集成的誤差，得到對(duì)比結(jié)果如圖2所示.

圖2 線性代數(shù)式檢索并行集成的均方根誤差

分析圖2得知，本文TIMF方法進(jìn)行線性代數(shù)式檢索并行集成的均方根誤差較小，測(cè)試線性代數(shù)式檢索并行集成的收斂性，得到對(duì)比結(jié)果如圖3所示.

圖3 收斂性曲線測(cè)試

分析圖3可知本文方法進(jìn)行線性代數(shù)式檢索的集成性較好，提高了線性代數(shù)式檢索的查準(zhǔn)性，測(cè)試線性代數(shù)式檢索的查全率，得到對(duì)比結(jié)果見表1，分析表1得知，本文方法進(jìn)行線性代數(shù)式檢索的查準(zhǔn)率較高.

表1 線性代數(shù)式檢索的查準(zhǔn)確性對(duì)比

4 結(jié)語(yǔ)

采用云計(jì)算和多源信息融合識(shí)別的方法，建立線性代數(shù)式檢索結(jié)果并行集成模型，本文提出基于ARMv8架構(gòu)的線性代數(shù)式檢索結(jié)果并行集成模式.

采用線性子空間信息調(diào)度的方法，構(gòu)建線性代數(shù)式檢索結(jié)果的融合參數(shù)分布集，建立線性代數(shù)式檢索結(jié)果并行集成的綜合決策模型，通過模糊聚類分析的方法，得到線性代數(shù)式檢索的并行決策權(quán)重，構(gòu)建線性代數(shù)式檢索結(jié)果信息集和備選標(biāo)簽集，結(jié)合ARMv8架構(gòu)和信息融合，實(shí)現(xiàn)基于ARMv8架構(gòu)的線性代數(shù)式檢索結(jié)果并行集成.研究結(jié)果表明，本文方法進(jìn)行線性代數(shù)式檢索結(jié)果并行集成的輸出可靠性較高，查準(zhǔn)率較好，收斂性較強(qiáng).