块匹配约束下波束快速稀疏分解算法研究

张劲波 曾德生 骆金维

摘 要： 在块匹配约束环境下，对云计算的波束进行快速分解时，如果云计算受到多线程过程干扰，那末波束形成和稀疏分解效果不好。提出基于块匹配约束云计算波束快速稀疏算法。进行云计算的网络拓扑结构构建和云计算任务信息流的信号模型构造，提高信息预处理能力。采用块匹配约束方法进行云计算负载均衡设计，通过分段块匹配约束滤波，直接對分段后的云就按数据进行抗干扰设计，实现波束快速稀疏分解，提高了云计算的数据并行处理效率和能力。仿真结果表明，采用该算法实现云计算任务信息流的波束快速稀疏分解，提高云计算并行处理效率和能力。

关键词： 云计算; 波束形成; 稀疏分解; 块匹配约束

中图分类号： TP393      文献标志码： A

Abstract： In the environment of block matching constraint， when the beam of cloud computing is decomposed quickly， and the cloud computing is interfered by multi-thread process， the effect of beamforming and sparse decomposition is not good. A fast algorithm based on block matching constraint for cloud computing is proposed. We construct signal model of network topology construction of cloud computing and cloud computing tasks of information flow， and improve the ability of information preprocessing. The block matching constraint method is used for cloud computing load balancing design. Through the sub block matching constraint filtering， the segmented cloud data are directly designed according to the anti-jamming design， and the fast sparse decomposition of beams is then realized. It improves the cloud computing data parallel processing efficiency and ability. The simulation results show that the algorithm can achieve the fast beam sparse decomposition of the cloud computing task information flow， and improve the efficiency and capability of parallel processing.

Key words： cloud computing; beam forming; sparse decomposition; block matching constraint

0 引言

云计算的波束快速稀疏分解算法是波束形成算法的扩展，通过波束稀疏分解，提高云计算数据的波束集成和并行处理能力，云计算的波束快速稀疏算法在移动网络通信和移动数字信息处理中应用较为广泛，研究云计算信息数据流的波束形成和稀疏分解，对提高云计算的并行处理能力具有重要意义，相关算法研究受到广大专家的重视[1]。移动云计算的波束快速稀疏分解为用户的多样性选择提供必要的框架支撑，通过移动云计算波束快速稀疏分解和波束形成，提高移动通信的数据并行处理能力[2]。

传统的波束稀疏分解方法采用Monte Carlo熵权决策方法，当云计算受到多线程过程干扰时，波束形成和稀疏分解效果不好;文献[3]提出一种基于节点行为信息流自相关特征提取和数据融合的云计算波束快速稀疏算法，提高云计算网络分簇设计和聚类中心搜索性能，但算法没能有效解决云数据特征分区融合的问题，数据融合和均匀量化精度不高，对云计算的并行处理能力没有实质性的改进。针对上述问题，本文提出一种基于块匹配约束云计算波束快速稀疏分解算法。首先进行云计算的网络拓扑结构构建和云计算任务信息流的信号模型构造，采用块匹配约束方法进行云计算负载均衡设计，以此为基础对波束形成和快速稀疏算法进行改进设计，并通过相关的仿真实验对本文方法性能进行验证。

1 云计算网络拓扑结构和信息预处理

1.1 基础知识描述和网络拓扑结构构建

云计算是采用信号处理算法进行波束形成，采用离散数据均匀量化方法构建云计算网络拓扑结构，移动云计算中，通过无线通信方式实现数据调度和传输，实现移动云计算簇间波动数据的均匀量化[4]。以此为基础，采用现代信号处理技术，实现云计算的波束快速稀疏处理，提高并行计算能力，构建云计算的网络拓扑结构模型。

整个云计算网络采用网格形式，网格拓扑结构分为三层：

第一层连接互联网的通信节点和数据信息处理单元，具有低带宽和高速信号处理属性[5-6]。

第二层由LAN（本地局域网）组成，设计高速网络流路由分簇模型，来收集云计算的数据和信息处理资源，其中每个LAN的带宽较第一层有较大增益，实现动态分级式复制。

第三层是云计算网络的LAN中的拓扑结构节点[7-8]。

通过上述三层云计算网络拓扑设计，得到云计算下的数据处理网络通信拓扑结构示意图，如图1所示。

3 仿真实验与性能验证

3.1 实验环境与实验配置参数

为了验证本文算法在实现云计算优化快速波束形成和稀疏处理，提高云计算并行处理效率方面的性能，进行仿真实验。实验中，采用Matlab仿真实验工具进行算法设计和仿真，在移动云计算参数设计中，假设移动云计算的波束形成决策属性取值为Dx=2，依据云计算任务调度信任度最大化原则，进行云计算波束形成网格分区，假设在云计算环境中，数据查询模版处理HDFS文件中的数据大小不超过64 MB，云计算数据通信资源负载传输信道为2 Mbps，云计算的块匹配数据包长度为512个字节。其他实验参数如表1所示。

3.2 云计算波束稀疏分解仿真对比

根据上述参数设计和实验环境描述，进行云计算波束形成和稀疏分解仿真，首先构建云计算任务信息流的信号模型构建，得到云计算任务信息流的信号时域采样波形，如图2所示。

以上述信号采样为研究对象，采用本文算法进行云计算波束稀疏处理，为了对比算法性能，采样传统的DOA算法进行性能对比，得到两种算法下云计算的波束稀疏分解结果，如图3所示。

从图3可以看出，本文算法进行云计算波束稀疏分解，具有较强的抗干扰能力，通过本文设计的块匹配约束滤波，对分段后的数据进行匹配滤波，能有效去除云计算中的数据干扰，提高并行处理能力，定量分析可知，采用本文算法，对相同规模的海量数据进行云计算并行处理，效率提高28.5%，性能优越。

4 总结

通过对云计算信息数据流的波束形成和稀疏分解，提高对云计算的并行处理能力，本文提出一种基于块匹配约束云计算波束快速稀疏算法。首先进行云计算的网络拓扑结构构建和云计算任务信息流的信号模型构造，采用块匹配约束方法进行云计算负载均衡设计，实现波束快速稀疏分解，提高数据处理能力。以此为基础进行波束形成算法和快速稀疏算法改进，仿真结果表明，采用本文算法对分段后的数据进行匹配滤波，能有效去除云计算中的数据干扰，实现云计算任务信息流的波束快速稀疏分解，提高并行处理能力。

参考文献

[1] 曹占中，胡冬妮，李煦，等.迭代数控制的稀疏约束波束形成算法[J].网络新媒体技术，2017，6（6）：48-53.

[2] 欧国建，蒋清平，秦长春.基于子空间的三阶多项式相位信号快速稀疏分解算法[J].电子与信息学报，2018，40（3）：648-655.

[3] 周双红，王玲玲.多特征值分解的稀疏混沌信号盲源分离算法研究[J].智能系统学报，2018，13（5）：843-847.

[4] 谢少彪，倪涛.基于投影空间重构的小信号波束形成[J].电子设计工程，2016，24（10）：32-34.

[5] 韩贞阳，陈兴蜀，胡亮，等.基于软件定义网络的IaaS虚拟机通信访问控制方法[J].计算机应用，2015，35（5）：1262-1266.

[6] 刘娜.信息安全技术在播控系统中的应用[J].电视技术，2015，39（10）：88-90.

[7] 许刚，马爽.动态尺度块匹配约束下的链式优化图像修复研究[J].电子学报，2015，43（3）：529-535.

[8] 陈普强，郭立君，张荣，等.基于全局空间约束块匹配的目标人体识别[J].计算机研究与发展，2015，52（3）：596-605.

[9] 刘占林，王琰，杨大为.压缩感知的矩阵低秩稀疏分解目标跟踪算法[J].小型微型计算机系统，2017，38（4）：881-885.

[10] 汪小叶，阳召成，黄建军，等.脉冲噪声下加权稀疏约束稳健波束形成方法[J].信号处理，2017，33（3）：288-293.

[11] 王永强，谢军，律方成.基于改进量子粒子群优化稀疏分解的局放信号去噪方法[J].电工技术学报，2015，30（12）：320-329.

[12] 陈沛，赵拥军，刘成城.基于稀疏重构的共形阵列稳健自适应波束形成算法[J].电子与信息学报，2017，39（2）：301-308.

[13] 沈志博，董春曦，黄龙，等.一种基于稀疏分解的窄带信号频率估计算法[J].电子与信息学报，2015，37（4）：907-912.

[14] 王丽，冯燕.基于粒子群优化的图像稀疏分解算法研究[J].计算机仿真，2015，32（11）：363-367.

[15] 陈雷，郑德忠，赵兴涛，等.基于匹配追踪稀疏分解的电能质量扰动检测[J].仪器仪表学报，2015，36（11）：2401-2410.

[16] 杜永兴， 马新， 李宝山，等. 一种加权稀疏约束的Capon波束成形算法[J]. 電信科学， 2018， 34（3）：112-117.

[17] 王斯琪，冯象初，张瑞，等.基于最大范数的低秩稀疏分解模型[J].电子与信息学报，2015，37（11）：2601-2607.

[18] 鹿玉泽，王玉玺，郑家毅，等.一种基于稀疏干扰协方差矩阵重构的稳健自适应波束形成算法[J].电子设计工程，2017，25（16）：51-55.

（收稿日期： 2019.07.02）