信息技术：云计算的水下旋转推进器数据融合方法研究

　　信息技术：云计算的水下旋转推进器数据融合方法研究

　　摘要：为解决水体多传感器数据融合体系在并发性和扩展性方面存在的限制性问题，提出基于云计算的新型水下旋转推进器数据融合方法。分别连接底层助力架构及动力传感器，完成云计算条件下水下旋转推进器的结构分析。在此基础上，统计数据处置量结果，通过特征节点整合的方式，确定边界融合值的具体权限水平，完成水下旋转推进器的数据融合方法研究。对比实验结果表明，与传统Storm手段相比，应用新型数据融合方法后，旋转推进器的QEA指标由0.35增大至0.98，整个水下传感体系的并发性与扩展性均出现明显趋于平稳的变化趋势。

　　关键词：水下旋转推进器；数据融合；助力架构；传感器；云计算数据；特征节点；边界融合值；

　　0引言

　　数据融合是指利用计算机处置时序观测信息的应用手段，具备自动分析、全局协调等多项应用优势，始终能够对未实施的评估及决策任务，进行较高水平的监测与控制。在云计算环境的支持下，数据融合手段能够直接深入物理网体系的感知应用层，且随着各类实用信息的不断累积，待融合节点的数量级水平也逐渐增加[1]。近年来，旋转推进器作为航海领域的主体研究对象，已经初具一定的发展规模，但随着行驶时间的延长，整个水下传感体系中的待处理信息大量拥堵，进而导致数据的传输并发性与扩展性受到多重限制。为解决此问题，传统Storm手段借助特征引擎，实时观测水下旋转推进器的运载情况，再利用多传感架构体系，联结处于分散状态的数据节点，在确保不发生差异化传输行为的前提下，完成对既定结构器行驶信息的融合处理，但这种方法所涉及的QEA指标在规定时间内，很难达到预期的标准数值。而随着云计算技术的不断发展，新型水下旋转推进器数据融合方法在动力传感器等硬件结构的支持下，重新统计了待运算数据的计量值水平，并对具体的边界融合值进行了严格限定。最后，通过设计比照实验的方式，突出说明传统融合方法、新型融合方法间的实用差异性。

　　1云计算水下旋转推进器结构分析

　　云计算水下旋转推进器结构由底层助力架构、动力传感器两部分组成，具体搭建方法可按如下步骤实施。

　　1.1底层助力架构

　　底层助力架构是云计算水下旋转推进器的行进辅助装置，由推进螺旋桨、行进控制器、主体构件三类装置共同组成。其中，推进螺旋桨在水下环境中，可长时间保持稳定且快速的旋转状态，进而获得大量的动力支持，一方面推动整个器件组织不断向前运动，另一方面缓解由水流冲击造成的物理行驶压力。行进控制器附着在主体构件表明，能够根据水资源的流动行为，而更改旋转推进器的现有行驶方向，进而为推进螺旋桨提供更大的可用动量支持。主体构件置于推进螺旋桨与行进控制器之间，具备较强的行进适应性，通过无线传感设备与云计算主机相连，在完整接收核心数据收发信号的同时，平衡整个水下传感体系中的稳定性压力。具体结构形式如图1所示。

　　图1底层助力架构图

　　Fig.1 Diagram of the underlying power assistance architecture

　　1.2动力传感器

　　动力传感器通常附着于底层助力架构的主体构件内部，由云计算传感电阻、传感框架体、旋转调节杆三部分组成，如图2所示。其中，云计算传感电阻具备较强的压力承载能力，能够利用由推进螺旋桨提供的电子常量，控制整个旋转推进器的前进行为。传感框架体是云计算传感电阻的附着基础，能够掌控整个传感器的协调动向，进而改变云计算数据在推进器装置内部的传输运动形式[2]。旋转调节杆具备较高水平的变化适应性，负责控制动力传感器的接入状态，进而使水下旋转推进器在云计算环境下，始终对行进数据保持较强的敏感性。

　　图2动力传感器结构图

　　Fig.2 Structure diagram of power sensor

　　2数据融合方法研究

　　在云计算水下旋转推进器主体结构的支持下，按照数据量统计、特征节点整合、边界融合值确定的处理流程，完成新型数据融合方法的设计与应用。

　　2.1云计算数据量统计

　　云计算数据量是指水下旋转推进器能承受的最大信息条件，受同向行驶条件、逆向行驶条件的共同控制。在动力传感器保持稳定输出的情况下，同向行驶条件会对水下旋转推进器的云计算数据起到正向促进作用，而逆向行驶条件则会对水下旋转推进器的云计算数据起到反向抑制作用[3]。在不考虑其它干扰影响的前提下，设

　　、

　　分别代表逆向行驶条件和同向行驶条件，

　　代表水下旋转推进器承载的信息附加量，联立上述物理系数，可将云计算数据量的统计结果表示为：

　　（1）

　　其中，

　　代表既定水下推进系数，

　　代表云计算环境下的推进器行驶数据参量。

　　2.2特征节点整合

　　特征节点是水下旋转推进器待融合数据的依附条件，具备较强的助力趋近性，在云计算环境下，能够充分感知设备体的具体行进方向。随着水下旋转推进器行驶路径的逐渐延长，特征节点的平均覆盖面积也会不断增加，直至囊括既定区域内所有的未及位置。而特征节点整合则是一种标准化的聚合手段，可将散乱的水下旋转推进器信息完全综合在一起，进而为后续的数据融合处置提供可行化便利条件[4]。设

　　代表固定特征节点的原始位置信息，

　　代表固定特征节点的目的位置信息，联立公式（1），可将特征节点的整合原理表示为：

　　（2）

　　其中，

　　代表水下旋转推进器的行驶域控制参量，

　　代表云计算环境对于设备体行驶数据的既定限制条件。

　　2.3边界融合值确定

　　边界融合值具备较强的参照考虑价值，能够严格把控云计算环境中，水下旋转推进器行驶数据的具体传输情况。通常情况下，该项参量结果受到特征节点整合数值的直接影响，既不会出现明显的两极化趋近状态，也不随数据累计总量的变化而发生改变。设

　　代表水下旋转推进器行驶数据的平均传输向量，联立公式（2），可将边界融合值结果表示为：

　　（3）

　　其中，

　　、

　　分别代表两个不同的融合权限标注值。

　　3应用检测与分析

　　为突出云计算水下旋转推进器数据融合方法的实用性，设计如下对比实验。在理想化控制平台中，通过人工干预的方式，更改接入控制主机的推进器结构，其中实验组主机搭载新型数据融合方法，对照组主机搭载传统Storm手段，在既定检测时间内，分别记录实验组、对照组数据参量的具体变化情况。

　　3.1检测环境搭建

　　分别在实验组、对照组的水下旋转推进器上设置等量的监控装置，再借助无线传感技术，将监控数据导入实验组和对照组的控制主机中，利用软件寻找各级融合节点所在的具体位置，再分别记录QEA指标在既定检测时间内的总体变化趋势。

　　图3实验检测原理

　　Fig.3 Experimental detection principle

　　3.2QEA指标对比

　　已知QEA指标能够直接反应水下传感体系并发性与扩展性水平的变化能力，通常情况下，QEA指标越大，水下传感体系的并发性与扩展性能力就越强，反之则越弱。下表反应了50min的检测时间内，实验组、对照组QEA指标的具体变化趋势。

　　表1 QEA指标对比表

　　Table 1 Comparison of QEA indicators

　　分析表1可知，在既定检测时间内，实验组QEA指标始终保持上升、稳定、下降的变化趋势，全局最大值达到0.98，且能够维持15min的稳定状态；对照组QEA指标则一直保持上升、下降交替出现的变化状态，全局最大值仅达到0.35，远低于实验组极值水平，即整个水下传感体系的并发性与扩展性均得到有效保障。

　　4结束语

　　云计算水下旋转推进器数据融合方法在传统Storm手段的基础上，联合底层助力架构与动力传感器，在妥善统计数据量的同时，整合既定特征节点，确定边界融合条件的具体数值水平。从实用性角度来看，QEA指标的提升不仅保障了水下传感体系的并发性与扩展性，也解除了由云数据累积而造成的限制性问题。

　　参考文献

　　[1] 魏可慰, 张琴, 朱凌, 等. 基于多源数据融合的电力故障事件识别及预控系统[J]. 电子设计工程, 2018, 26(18):73-77.

　　[2] 陈永前, 李少波. 基于海量数据融合的设备状态评价方法[J]. 组合机床与自动化加工技术, 2017, 19(5):142-145.

　　[3] 田鸽, 韩磊, 赵永华. 多源数据融合的实景三维建模在土地整治中的应用[J]. 生态学杂志, 2019, 38(7):2236-2242.

　　[4] 刘迎, 过秀成, 周润瑄,等. 基于多源数据融合的干线公交车辆行程时间预测[J]. 交通运输系统工程与信息, 2019, 24(4):124-129.