多层概率决策的网络大数据协作融合算法

摘要：为了改善网络大数据传输效率及其精度，降低网络数据传输负荷，基于多层概率网络模型和联合决策研究了一种网络大数据协作融合算法。首先，以复杂异构多层网络的数据采集与缓存为对象，以实时感知数据及其准确处理为优化目标，设计了一种多层概率联合决策模型。接着，通过主层-分层和信号强度进行网络大数据的多维描述，结合3步分解和三性融合，以逆变换去噪为驱动，提出了网络大数据协作数据融合算法。

其中，N表示多层网络的分层数。2网络大数据协作融合算法基于多层概率联合决策的网络收集的大数据，从主层-分层角度出发采用S、L描述，如式（7）所示，还可以从信号强度出发采用H、M、L描述，如式（9）所示。

综上所述，网络大数据协作融合算法实施过程如图3所示。其中，根据分解3步进行三性融合，结合联合决策，以逆变换去噪为驱动，实现协作数据融合。

3实验结果分析通过在200m2的室内环境部署50个传感器节点，持续采集100小时的温度数据为网络大数据源。传感器节点采用无源供电方式，会因电池耗尽而消亡，网络拓扑会发生动态变化。每个传感器节点间隔10s发送一次数据。可通过是否供电来激活传感器节点。本文所提出的网络大数据协作融合算法记为CFA-MJD，伪代码如下：

采用Java与C++相结合的方式实现上述算法，测试不同传输精度下的数据传输速率以及数据融合误差。实验环境参数详见表1。

图4和图5给出了两种不同传输精度下所提出CFA-MJD算法的数据传输速率与实验速率统计值的对比结果。对比发现，当传输精度为40%时，CFA-MJD算法的传输率与实验值较为接近；当传输精度为90%时，CFA-MJD算法的传输率反而高于实验值。这表明，所提算法可以有效改进网络大数据传输率并且保障较高的传输精度。这是因为所提算法采用了多层随机网络架构。

图6给出了服务器响应延迟为5s、10s、15s和20s时，所提算法的数据融合误差与实际统计误差的对比结果。分析发现，所提算法所采用的在分层协作控制下对联合决策下的接收信号yU分解即对yU按层还原，消除冗余信号和逐层更新yU，以及三性融合，确保了网络大数据融合精度，并且可以很好地化解服务器大延迟造成的数据误差。