基于多尺度时空聚类的动态传感信息多源异构数据集成方法

针对多源异构数据集成易受数据随机性和不确定影响的问题,提出了基于多尺度时空聚类的动态传感信息多源异构数据集成方法。在可编程阵列逻辑下,构建多源异构数据采集框架,实现数据采集接口与帧格式的实时可配置。通过机器学习方法分析数据,依据对象之间类似程度划分数据集,分析任意2个对象之间的相异性,构建相异同数据结构矩阵。通过时间反转处理方式重构高维空间,实现多源异构数据时空结构的加权处理。由实验结果可知,与高效实体识别、规则化有限学习机(Regularized finite learning machine,RELM)方法相比,所提方法数据集成效果较好,且数据集成时间较短,最短为25s。实验结果验证了所提方法具有高效集成效果,具备较好的应用价值。