基于信息浓缩粒子滤波分布式网络数据库优化索引.docVIP

基于信息浓缩粒子滤波分布式网络数据库优化索引 　　摘要：分布式网络数据库优化索引可提高数据库的访问和数据管理能力。传统方法采用Web数据库临界级联差分耦合方法进行数据库索引，随着干扰数据和数据库规模的增大，数据库索引准确度不高，语义指向性不好。提出一种基于信息浓缩粒子滤波的分布式网络数据库优化索引算法，首先进行分布式网络数据库的数据结构分析和特征融合处理，采用信息浓缩粒子滤波方法对干扰数据进行滤除抑制，并采用语义特征波束形成方法进行目标数据的波束聚焦和特征提取，实现数据库的优化检索。仿真结果表明，利用该算法进行数据库索引的准确度较高，收敛性好，执行时间短，展示了较好的应用性能。 　　关键词关键词：数据库索引；粒子滤波；分布式网络 　　DOIDOI：10.11907/rjdk.161369 　　中图分类号：TP391文献标识码：A文章编号文章编号2016）007015503 　　0引言 　　在数据库访问中，对数据库中的语义信息特征索引成为数据库检索的基础技术，通过数据库优化索引算法设计，可提高数据库的检索和访问能力，相关算法研究也受到了人们的极大重视[1]。传统方法采用Web数据库临界级联差分耦合方法进行数据库索引，随着干扰数据和数据库规模的增大，数据库索引的准确度不高，语义指向性不好[2]。对此，相关文献进行了改进设计，随着智能算法的应用，采用粒子群算法进行数据库访问和索引成为发展趋势。采用粒子群算法进行数据库访问的控制和语义索引过程中，由于粒子群的迭代系数对初始权值的选择较为敏感，容易陷入局部极值，因而对数据库的索引性能不好。 　　近年来，在粒子群控制算法基础上，许多学者提出了蚁群、粒子群优化算法等人工智能方法进行数据库访问过程训练，取得了一定效果。传统方法中，对分布式网络数据库的实体建模和决策控制算法主要采用小样本、非线性及高维模式识别方法，如模糊神经网络决策算法、蚁群算法（ACO）和粒子群算法（PSO）等[35]。在上述算法进行分布式网络数据库分析和实体建模过程中，需要进行参数寻优和自适应建模，达到对分布式网络数据库预测和控制决策的目的。为了提高数据库索引精度，本文提出一种基于信息浓缩粒子滤波的分布式网络数据库优化索引算法，首先进行分布式网络数据库的数据结构分析和特征融合处理，采用信息浓缩粒子滤波方法对干扰数据进行滤除抑制，并采用语义特征波束形成方法进行目标数据的波束聚焦和特征提取，实现数据库的优化检索。最后通过仿真实验进行了性能测试，展示了本文算法的优越性能。 　　1分布式网络数据库数据结构分析与特征融合处理 1.1分布式网络数据库数据结构分析 　　为了进行分布式网络数据库的优化索引，需要首先构建分布式网络数据库的数据结构模型，进行数据结构的特征分析和数据信息融合处理。本文研究的分布式网络数据库的数据存储节点均匀分布在有向图G1、G2中，在分布式网格的覆盖度目标区域A内，有向图G1和G2的语义节点是均匀线列阵分布的，簇头节点采用随机部署方法。数据库语义相似度节点采用最常用的布尔模型（0/1模型）。网络级联分布式数据库的数据存储深度空间坐标为（xs，ys），用一个二元有向图G=（V，E）表示数据分布的编队系统，网络数据库相邻网格M与节点s的数据索引有效性覆盖范围为：SCMN={（si，sj）|d（si，sj）≤Rc，si∈M，sj∈N}（1）其中，M、N为关键词节点间的规模数，设数据库访问过程中的语义特征优先级调度向量为Pc，位于（xp，yp）的任意点p的矢量场和sink节点的关联维数为d（s，p）。分布式网络数据库的数据特征空间矢量场分布在区域A，半径为W×L个22Rc×22Rc的矩形网格。设数据流样本S=X1，X2，…，Xk，…，每个网格的网络是一个无向图 ，关键词索引的语义指向性信息特征表示为EH（s，t）=（V，E）（s≥1，t≥1），在数据库的有效访问范围内计算关键词G1和G2的连接度，计算公式为：a=2n（GC）2n（GC）+mGC（G1）+mGC（G2）（2）每个网格有4个邻居网格，假设G1=（V，E）和G2=（V′，E′）都为重连通图，节点对之间的距离由超立方网EH（s，t）的网络拓扑结构决定。在均匀线列阵区域内，非边界（边界网格至少有2个邻居网格）G1和G2之间的顶点集为：Vt（k）={as+t...at+1at...a11|as+t...at+1=k， 　　ai∈{0，1}，0≤k2s}（3）假设a1，a2∈V，b1，b2∈V′，对于数据库索引的语义指向信息EHs（j）和关联位置EHt（k），添加两条边和后形成一个数据库优化索引的连通图子集G3。假设G3是一个多径无干扰的重连通图，设计最短路由进行数据库访问，路由协议描述为：通过上述描述，构建分布式网络数据库的