陆 骏
（无锡城市职业技术学院 江苏 无锡 214000）
近年来，随着我国网络技术的发展，数据处理逐渐成为工作、生活中的一部分，与人们息息相关。在整个处理的过程中，对于网络复杂数据的分类是较为烦琐的一项工作[1]。通常网络复杂数据的分类一般会采用单向处理的方式，利用特殊执行分类程序对数据采集节点获取的相关数值、信息进行筛选[2]。同时，根据数据的属性进行多方向模板分类，这种方式虽然可以完成网络复杂数据的分类处理导，致但数是据在分实类际出应现用误的差过[3程]。中基，于容此易，受本到文外结部合因人素工的智影能响技，术，根据实际的数据处理需求和标准，设计网络复杂数据分类方法。希望通过本文方法的研究为后续数据分类处理提供更为精准、可靠的参考依据[4]。
1.1 数据量化预处理
在对人工智能的网络复杂数据分类方法实际应用效果进行分析与研究之前，需要先针对量化的网络复杂数据进行定向预处理[5]。首先，需要明确具体的数据集特征。由于每一个维度中特征的实际属性单位不一致，因此需要采用标准化的比例先将数据量化，构建具体的数据处理条件，进行定向缩放，得到处理后的数据区间，并计算出数据集的转换函数，如式（1）所示：
式中：W为转换函数，F为区间差，V为量化终值。通过上述计算，可得出实际的转换函数。根据得出的转换函数，进行归一量化处理，重新设定定向的分类空间，减小数值转换的误差。随后，将需要处理的复杂数据进行定性处理[6]。采用二分对比排序的方式，确定隶属度进行数据集之间的排序，并对排序结果进行多维度赋值[7]。与此同时，在数据中心中植入人工智能执行程序，数据处理指令依据上述设定的顺序逐一排列，利用独热编码搭配人工智能技术，设定数据的量化顺序，具体如表1所示。
表1 数据量化独热编码设定表
根据表1，可完成对数据量化独热编码的设定与调整。随后，依据该顺序对网络复杂数据进行量化排布处理，利用独热编码进行数据量化的引导，对网络复杂数据做出初级模糊分类筛选，进而形成更加完整、系统的处理环境，为后续数据的分类奠定基础条件[8]。
1.2 复杂数据特征智能提取
在完成对数据量化预处理之后，需要结合网络数据的复杂程度，进行数据特征智能提取[9]。为提升数据的处理效果，需要结合人工智能技术，搭配XGBoost算法先进行特征值的提取，并计算出复杂数据的冗余系数，具体数值计算与调整如表2所示。
表2 复杂数据指标调整设定表
根据表2，可完成对复杂数据指标的调整与设定。随后，对复杂网络数据进行分类筛选，根据设计的XGBoost模型来构建分数增益特征结构，并测定出重要性值[10]。为建立更加稳定、系统的复杂数据分类环境，利用人工智能技术，结合数据分类特征，构建数据特征的决策树[11]。
此时，可采用人工智能结构，对数据集Data1进行冗余处理，并建立多层级的支持向量结构。利用人工智能技术中的识别模式，对每一个复杂数据的边缘值进行测算，同时，利用独热编码对具体的执行目标进行引导，便于后续作出归一化处理。但是这部分需要注意的是，在对数据特征进行提取时，需要针对数据的变化规律逐一训练，细化整体的提取效果。
1.3 冗余数据集构建
在完成对复杂数据特征的智能提取之后，需要结合复杂数据的分类标准、需求，设计冗余数据集的构建。选取KDD数据集执行模式，利用人工智能技术先进行数据提取，形成智能化、自动化的分类体系。与此同时，在标定范围之内，根据复杂数据的处理状态，设定冗余数据集的执行目标，将其与数据智能分类处理程序相关联，逐步扩大数据集的分类包容范围，形成完整、动态化的分类机制。
1.4 人工智能复杂数据分类模型设计
在完成对冗余数据集的构建之后，结合复杂数据的覆盖状态进行人工智能复杂数据分类模型的设计。首先，针对此时控制中心的数据采集、汇总情况，构建单向复杂数据分类矩阵。随后，利用人工智能技术进行首次测试数据的分类，并计算出分类过程中存在的残差值，具体情况如表3所示。
表3 复杂数据分类残差指标表
根据表3，可完成对复杂数据分类残差指标的设定。利用人工智能技术，构建多层级、多目标的复杂数据分类模型，结合智能执行机制建立构造树，并在模型之中，设定对应位置的分类监测节点，便于实时数据的获取。这在一定程度上可以扩大实际的数据覆盖范围，提升数据的分类效果，优化分类模型结构，实现多方向的数据处理。
1.5 复杂数据逼近优化
在完成对人工智能复杂数据分类模型的设计之后，需要进行复杂数据的逼近优化，其处理流程如图1所示。
根据图1，可以完成对数据特征优化区间的逼近处理。在此基础上，结合人工神经网络技术与人工智能技术构建综合的分类输出矩阵，通过调整矩阵中的最优逼近临界值，关联离群点，形成最优数据处理空间。在智能化技术的辅助下，实现复杂数据动态化分类，以此来进一步提升分类结果的精准度和可达性。
本文主要是对人工智能下网络复杂数据分类方法的实际应用效果进行分析与研究。考虑到最终测试结果的稳定性与可靠性，需要准备4组定向网络复杂数据包作为测试的主要目标对象，每一个数据包中可划定为3个数据集，且其相互独立，存在关联性。设定传统数据挖掘分类方法测试组、传统数据特征分类方法测试组以及本文所设计的人工智能数据分类测试组。最终得出的测试结果需要以对比的方式展开分析，实现数据分类效果的比照研究。接下来，结合实际的数据分类需求、标准，搭建对应的测试环境。
2.1 测试准备
在对人工智能下网络复杂数据分类方法的实际应用效果进行分析与研究之前，需要搭建相应的测试环境。首先，在测试的控制平台之中构建一个定向的数据库，将测试的数据包依据特殊的格式，转换为定向的数据指控，设定在对应的数据库之中。每一个数据包分别代表一个数据测试组。
可先利用深度学习技术，对网络复杂数据进行多维预处理。这部分可利用高级的分类模型，将数据进行模糊处理，并通过控制程序对失真、损坏数据进行定向分类。结合处理后的数据、信息，计算出数据集的转换差值，具下公式（2）所示：
式2中U为数据集转换差值，β1为数据特征变动比，β2为数据特征转换极限值，α为转换次数，t为定向训练集。通过上述计算，最终可得出实际的数据集转换差值。根据得出的数据集转换差值，在标定数据包分类范围之内进行数据子集的设定，为提升整体的分类精准度，结合人工智能技术，构建多维度的复杂数据分类环境。
利用CNN训练模型将4个数据包同时添加在模型之中，初始化卷积参数，对每一条数据包进行赋值，将数据分类划定为不同的阶段。在前向传播阶段，将数据输入至CNN分类程序之中，其会在人工智能引导程序的辅助之下逐级变换为特定的形式，实现数据的模糊分类。随后，以此为基础，计算出实际的输出值，在误差反向传播阶段，设定出数据的分类平均误差，构建单向的测定矩阵，完成对测试环境的搭建。核定测试的平台与装置是否处于稳定的运行状态，并确保无阻碍测试结果的外部因素，核定无误后，开始具体测试。
2.2 测试过程及结果分析
根据上述搭建的测试环境，结合人工智能技术，进行有针对性的网络复杂数据的分类方法测试。首先，利用数据挖掘技术，采用HDCM模式进行高级数据处理和分类，并将数据逐一划定在数据集之中。此时，结合实际的覆盖区域，布设对应的数据分类节点，其与训练模型相关联，形成动态化的数据采集监测网络。随后，利用人工智能技术，设计定向的执行分类程序，利用HDCM模式，逐步分化各个层级的数据，并进行智能化的数据特征提取。以此为基础，结合上述获取的数值、信息，计算出复杂数据在数据集中的隶属度，具体如公式（3）所示：
式3中D为数据集隶属度，w为转换差值，θ为隶属距离，y为分类节点数量，σ为预设数据度量。通过上述计算，最终可得出实际的数据集隶属度，结合人工智能技术，对初始的数据分类指令进行对应的调整。这部分需要注意的是，人工智能对于复杂数据的处理范围并不是固定的，而是随着数据总量的变化，做出对应的更改调整。此时，利用智能化设置相对预设的数据包进行测定，结合上述设定的类别及标准，采用HDCM模式进行高阶分类。利用人工智能技术，先将数据包进行模糊分类，采用高斯处理模式，测算出此时数据分类指标的变化，具体如表4所示。
表4 高斯环境下数据分类指标变化设定表
根据表4可完成对高斯环境下数据分类指标变化的设定。随后利用人工智能技术，结合复杂数据的正向变化特征，进行解释性分类研究。复杂数据的分类过程中，在HDCM模式的催动之下，复杂数据的密度较小，转换效果更佳。在智能化的挖掘整合环境下，利用机器学习技术，构建复杂数据的分类程序，以目标指令进行催动，实现对4复杂数据包的属性划归，并依据解释性分类需求及数据划分情况，计算出数据分类的召回率，具体如式（4）所示：
式中：E为召回率，π为数据差值，v为平均差值，i为数据集查准次数，ℵ为分类谱数。通过上述计算，最终可得出测试结果，针对数据分类情况进行测试结果的分析，如表5所示。
表5 测试结果对比分析表 单位：%
根据表5，可完成对测试结果的分析：对比于传统数据挖掘分类方法测试组、传统数据特征分类方法测试组，本文所设计的人工智能数据分类测试组最终得出的召回率相对较高，表明在实际应用的过程中，利用人工智能技术，对于网络复杂数据的处理分类速度较快，精准度更高，具有更强的可靠性，实际应用价值更高。
综上所述，本文对基于人工智能的网络复杂数据分类方法进行研究与分析。与传统的网络复杂数据分类模式相比，本文结合人工智能技术，构建对应的数据筛选结构，从多个方面增加数据的获取面，扩大实际的数据处理区域，对于整体的分类形式也需要做出对应的调整。另外，在人工智能技术的辅助之下，针对数量庞大的网络复杂数据的处理，效率会得到进一步的提升，日常数据的分类误差也可以得到有效控制，进一步确保数据的动态化智能分类，为后续数据处理奠定坚实基础。
猜你喜欢 数据包分类利用 利用min{a，b}的积分表示解决一类绝对值不等式中等数学(2022年2期)2022-06-05二维隐蔽时间信道构建的研究*计算机与数字工程(2022年3期)2022-04-07民用飞机飞行模拟机数据包试飞任务优化结合方法研究民用飞机设计与研究(2020年4期)2021-01-21利用一半进行移多补少小学生学习指导(低年级)(2020年6期)2020-07-25C#串口高效可靠的接收方案设计物联网技术(2018年8期)2018-12-06利用数的分解来思考小学生学习指导(低年级)(2018年9期)2018-09-26Roommate is necessary when far away from home疯狂英语·新读写(2018年2期)2018-09-07按需分类小天使·一年级语数英综合(2017年11期)2017-12-05教你一招：数的分类初中生世界·七年级(2017年9期)2017-10-13说说分类那些事少儿科学周刊·儿童版(2017年3期)2017-06-29