CN105930860B - 智能建筑中温度传感大数据的分类优化模型仿真分析方法 - Google Patents

Abstract

本发明涉及一种智能建筑中温度传感大数据的分类优化模型仿真分析方法，提出基于混沌差分扰动模糊C均值聚类的温度传感大数据的分类模型，需要分析智能建筑中温度传感大数据在数据库存储系统中的分布式结构模型，对大数据信息流进行特征融合和时间序列分析，在传统的模糊C均值聚类处理的基础上，引入混沌差分扰动，避免了分类过程中陷入局部收敛和局部寻优，提高了数据聚类性能。本发明采用该大数据分类方法，有效降低了智能建筑中温度数据的误分率，数据分类的收敛性和准确性较高。

Description

智能建筑中温度传感大数据的分类优化模型仿真分析方法

技术领域

本发明涉及大数据领域，特别是涉及一种智能建筑中温度传感大数据的分类优化模型仿真分析方法。

背景技术

随着多模控制技术和人工智能技术的发展，智能温度控制技术广泛应用在智能建筑中，通过智能温度控制在智能建筑中进行自适应温度调节，实现节能环保，可提高建筑体内人体的舒适度。智能建筑中，通过温度传感器网络进行各个建筑区域和模块的温度采集，对采集的温度数据进行自适应信息处理，通过数据挖掘和数据分类技术，可分析各个建筑区域的温度属性，为智能建筑中的空调控制系统提供准确的数据基础。因此，研究智能建筑中的温度传感器网络采集的大数据分类模型，在发展智能建筑、绿色建筑方面具有积极重要意义，相关的温度大数据分类算法研究受到广大专家学者们的重视。

数据分类又称为数据聚类和数据分集，数据分类是采用模式识别和特征提取的方法，挖掘数据信息的规律性特征，对含有相似特征的数据进行分类处理，实现数据的分类调度和分类挖掘。采用数据聚类方法进行智能建筑中温度传感大数据的采样分析，实现智能温度控制，传统方法中，对大数据分类算法主要有K-Means聚类算法、模糊C均值聚类算法、决策树分类算法以及粒子群分类算法等，其中模糊C均值聚类算法是最为常见的算法，但是该算法对大数据分类中的扰动差分向量抗干扰性能不好，计算开销过大，难以实现实时的温度传感大数据的分析和处理。

发明内容

有鉴于此，本发明的目的是提供一种智能建筑中温度传感大数据的分类优化模型仿真分析方法，在传统的模糊C均值聚类处理的基础上，引入混沌差分扰动，避免了分类过程中陷入局部收敛和局部寻优，提高了数据聚类性能，有效降低了智能建筑中温度数据的误分率，数据分类的收敛性和准确性较高。

本发明采用以下方案实现：一种智能建筑中温度传感大数据的分类优化模型仿真分析方法，其特征在于：具体包括以下步骤：

步骤S1：对智能建筑中温度传感大数据在数据库存储系统中的分布式结构进行分析，并对大数据信息流采样非线性时间序列进行分析，确定温度数据信息流的特征集；

步骤S2：根据所述步骤S1得到的智能建筑中温度传感大数据聚类的数据结构分析和时间序列分析融合，传统的模糊C均值聚类处理的基础上，引入混沌差分扰动，对大数据分类优化模型进行改进；

步骤S3：针对改进后的大数据分类模型在实现智能建筑中温度传感大数据优化聚类分析中的性能，进行仿真分析。

进一步地，所述步骤S1中，温度传感大数据采样与分布结构分析具体为：

假设在数据存储空间中，对智能建筑中温度传感大数据存储数据库信息流进行多维相空间重构，设智能建筑中温度传感大数据库的分布式结点，节点存储重要性加权函数为：

调整聚类中心矢量，用输入x(t)减去输出变化量得到温度传感器节点采样的变化特征，采样的频率为：

其中，t₀为初始采样时间检测，a为数据采样的包络幅值，K为控制参数，令A＝{a₁,a₂,...,a_n}为智能建筑中温度传感大数据特征矢量的模糊聚类中心，构建智能建筑中温度传感大数据信息流预处理特征序列训练集的属性集，B＝{b₁,b₂,...,b_m}为海量数据库特征挖掘的属性类别集，得到特征分布的空间角度特征为：

θ₁(k+1)＝θ₁(k)-μRe[A(k)B(k)]

其中，μ是传感大数据分布的收敛步长；

则在矢量空间中进行特征信息流分析，温度传感大数据采样的分布结构特征函数为：

其中

进一步地，所述步骤S1中，对智能建筑中温度传感大数据信息流采样非线性时间序列进行分析，确定温度数据信息流的特征集具体为：

在智能建筑中温度传感大数据分布式结构的基础上，提取智能建筑中温度传感大数据信息流的时间序列为{x(t₀+iΔt)},i＝0,1,…,N-1，分布空间的聚类中心矢量根据结构分析得到；

在温度传感器网络系统中，设时刻t时温度传感大数据采样的阈值ε满足2^-λt＜ε，λ＞0；

根据非线性时间序列分析方法，得到智能建筑中温度传感大数据聚类的矢量特征状态空间的时间轨迹状态表达式为：

式中，x(t)表示大数据的时域分布，J是指向性信息参量，m是互相关共轭嵌入维数，Δt为温度传感大数据的采样时间间隔；

通过上述处理，实现智能建筑中温度传感大数据聚类信息流的时间序列模型构建和非线性时间序列分析。

在此基础上，构建大数据的融合均衡控制方程为：

其中，x₀和y₀为数据在存储空间中的干扰信息和冗余信息，采用信号频谱检验方法对数据联合函数进行匹配和融合，融合的目标函数为：

C＝Min{max(φ)}

其中，C_i表示数据包的融合度，目标函数表示融合后在均衡化最大的程度下，融合度最小；

分析温度传感器数据结构中各频率分量随时间变化的关系，引入信号的时间－频率联合描述，自适应特征匹配方法表示大数据融合的评判准则为：

Cov(C)＝E{[C-E(C)][C-E(C)]}

由此提高大数据分类的纯度，在此基础上进行大数据分类算法改进设计。

进一步地，所述步骤S2中，根据智能建筑中温度传感大数据聚类的数据结构分析和时间序列分析融合，采用传统的模糊C均值聚类方法对智能建筑中温度传感大数据进行聚类，具体为：

智能建筑中温度传感大数据集合中含有n个样本，其中样本x_i，i＝1,2,…,n的数据类群矢量为：

x_i＝(x₁,x₂,…,x_n)^T

把数据类群适应度值X分为K类，其中1<K<n，随着聚类中心的迭代更新，模糊聚类中心矩阵的收敛值为：

V＝{v_ij|i＝1,2,…,c,j＝1,2,…,s}

其中V_i为大数据进行分类的全局搜索从高到低不同频率成分，定义模糊C均值下的分解尺度为：

U＝{μ_ik|i＝1,2,…,c,k＝1,2,…,n}

智能建筑中温度传感大数据特征空间中，采用协方差搜索方法，得到模糊C均值聚类算法的聚类目标函数为：

式中，m为差分进化扰动权重阈值，(d_ik)²为样本x_k与V_i的欧式距离，表示为：

(d_ik)²＝||x_k-V_i||²

其中

结合全局最优向量v_i＝(v_i1,v_i2,...,v_iD)的寻优约束条件，采用自适应特征分解方法进行大数据的特征尺度分解，根据采样定理，求得模糊C均值聚类目标函数的极值为：

根据目标函数求最大值，由此确定模糊C均值聚类中心，在聚类中心初始值已经给定的情况下，根据聚类样本数c和模糊度指标m进行自适应寻优。

进一步地，所述步骤S2中，在传统的模糊C均值聚类处理的基础上，引入混沌差分扰动，对大数据分类优化模型进行改进，具体为：

引入混沌差分扰动因子mf，得：

其中，NP为模糊C均值聚类的温度传感大数据的规模大小，f(x_i)为第i个全局搜索尺度空间上的适应度值，为平均适应度值；

利用混沌差分扰动进化的差异度逐渐变小的“聚集”现象，进行智能建筑中温度传感大数据聚类中心收敛分析，根据混沌理论，使用Logistic混沌时间序列进行大数据的二叉分类，Logistic混沌时间序列的形式为：

其中，A(t)为大数据的自回归模态包络，θ(t)为扰动误差，参数t₀,K确定如下：

采用奇异值分解方法对模糊C均值聚类后的数据进行奇异分解，有m阶大数据模糊C均值特征正交矩阵U和n阶正交矩阵V中，采用混沌差分扰动分类，使得：

其中，A为m×n维矩阵，A*A'和A'*A为主分量特征，先进行控制参数的初始化，设定阈值ξ，得到多维特征矢量空间中的NP个混沌序列分量：

x_n+1＝4x_n(1-x_n) n＝1,2,…,NP

其中，x_n为输出的大数据时间序列，在模糊C均值聚类过程中加入到个扰动变量的混沌分量：

Δx_i＝a+(b-a)x_n n＝1,2,…,NP

其中，a为数据类别总数，b为差异性特征数，载入暂态性异常特征定位因子，产生一个初始隶属度分类扰动变量为：

x_n,G＝x_n,G+Δx_i

其中，Δx_i为信息增益，以适应度最小的个体进行迭代，当误差收敛到零，停止迭代，由此实现对大数据的优化分类。

进一步地，所述步骤S3中，进行仿真分析的硬件环境为：CPU为Intel Core i3-215，主频为2.45GHz，操作系统为Windows XP，编译软件为VC++，数据库的存储系统为SQLsever；

选取智能建筑中温度传感大数据聚类中心的分布式衰减因子为0.25，智能温度传感大数据的采样样本的时间间隔为0.25s，采样点数为1000点，在100～300采样点之间有一个200Hz的频率分量，在400～600采样点之间有一个250Hz的频率分量，特征空间的维度设置为30，混沌差分扰动范围频率分量为0.001，智能建筑中温度传感采集节点的个体的适应度值T＝5，迭代次数为1000，得到四个通道的大数据采样时域波形

并对智能建筑中温度传感大数据进行分类特征提取，实现数据聚类，得到智能建筑中温度传感大数据分类结果。

与现有技术相比，本发明提出一种基于混沌差分扰动模糊C均值聚类的温度传感大数据的分类模型，首先分析了智能建筑中温度传感大数据的分布式数据结构模型，智能建筑中温度传感大数据信息流进行特征构建和时间序列分析，在传统的模糊C均值聚类处理的基础上，进行混沌差分扰动，避免了分类过程中陷入局部收敛和局部寻优，提高了数据聚类性能，数据准确分类的准确度较高。对智能建筑中采集的温度数据进行自适应信息处理，通过数据挖掘和数据分类技术，分析各个建筑区域的温度属性，研究智能建筑中的温度传感器网络采集的大数据分类模型，在发展智能建筑、绿色建筑方面具有积极重要意义。

附图说明

图1是本发明的四个通道的大数据采样时域波形。

图2是本发明实施例中文献[1]方法下智能建筑中温度传感大数据分类结果。

图3是本发明实施例方法下智能建筑中温度传感大数据分类结果。

图4是本发明实施例中文献[3]方法下智能建筑中温度传感大数据分类结果。

图5是本发明实施例中文献[2]方法下智能建筑中温度传感大数据分类结果。

图6是本发明实施例中改进算法与传统算法的数据分类的误分率对比结果示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

本实施例提供一种智能建筑中温度传感大数据的分类优化模型仿真分析方法，具体包括以下步骤：

步骤S1：对智能建筑中温度传感大数据在数据库存储系统中的分布式结构进行分析，并对大数据信息流采样非线性时间序列进行分析，确定温度数据信息流的特征集；

步骤S2：根据所述步骤S1得到的智能建筑中温度传感大数据聚类的数据结构分析和时间序列分析融合，传统的模糊C均值聚类处理的基础上，引入混沌差分扰动，对大数据分类优化模型进行改进；

步骤S3：针对改进后的大数据分类模型在实现智能建筑中温度传感大数据优化聚类分析中的性能，进行仿真分析。

在本实施例中，为了实现对智能建筑中温度传感大数据的优化聚类，首先需要分析智能建筑中温度传感大数据在数据库存储系统中的分布式结构，在无传感器网络或者物联网环境中，智能建筑中温度传感大数据采用的是I/O虚拟计算机和USB接口层进行数据存储；

则在所述步骤S1中，温度传感大数据采样与分布结构分析具体为：

假设在数据存储空间中，对智能建筑中温度传感大数据存储数据库信息流进行多维相空间重构，设智能建筑中温度传感大数据库的分布式结点，节点存储重要性加权函数为：

调整聚类中心矢量，用输入x(t)减去输出变化量得到温度传感器节点采样的变化特征，采样的频率为：

其中，t₀为初始采样时间检测，a为数据采样的包络幅值，K为控制参数，令A＝{a₁,a₂,...,a_n}为智能建筑中温度传感大数据特征矢量的模糊聚类中心，构建智能建筑中温度传感大数据信息流预处理特征序列训练集的属性集，B＝{b₁,b₂,...,b_m}为海量数据库特征挖掘的属性类别集，得到特征分布的空间角度特征为：

θ₁(k+1)＝θ₁(k)-μRe[A(k)B(k)]

其中，μ是传感大数据分布的收敛步长；

则在矢量空间中进行特征信息流分析，温度传感大数据采样的分布结构特征函数为：

其中

在本实施例中，所述步骤S1中，对智能建筑中温度传感大数据信息流采样非线性时间序列进行分析，确定温度数据信息流的特征集具体为：

在智能建筑中温度传感大数据分布式结构的基础上，提取智能建筑中温度传感大数据信息流的时间序列为{x(t₀+iΔt)},i＝0,1,…,N-1，分布空间的聚类中心矢量根据结构分析得到；

在温度传感器网络系统中，设时刻t时温度传感大数据采样的阈值ε满足2^-λt＜ε，λ＞0；

根据非线性时间序列分析方法，得到智能建筑中温度传感大数据聚类的矢量特征状态空间的时间轨迹状态表达式为：

式中，x(t)表示大数据的时域分布，J是指向性信息参量，m是互相关共轭嵌入维数，Δt为温度传感大数据的采样时间间隔；

通过上述处理，实现智能建筑中温度传感大数据聚类信息流的时间序列模型构建和非线性时间序列分析。

在此基础上，构建大数据的融合均衡控制方程为：

其中，x₀和y₀为数据在存储空间中的干扰信息和冗余信息，采用信号频谱检验方法对数据联合函数进行匹配和融合，融合的目标函数为：

C＝Min{max(φ)}

其中，C_i表示数据包的融合度，目标函数表示融合后在均衡化最大的程度下，融合度最小；

分析温度传感器数据结构中各频率分量随时间变化的关系，引入信号的时间－频率联合描述，自适应特征匹配方法表示大数据融合的评判准则为：

Cov(C)＝E{[C-E(C)][C-E(C)]}

由此提高大数据分类的纯度，在此基础上进行大数据分类算法改进设计。

在本实施例中，在进行智能建筑中温度传感大数据聚类的数据结构分析和时间序列分析融合的基础上，进行智能建筑中温度传感大数据聚类。当前，对智能建筑中温度传感大数据聚类采用模糊C均值聚类方法、K-Means聚类算法等，容易陷入局部收敛；

所述步骤S2中，根据智能建筑中温度传感大数据聚类的数据结构分析和时间序列分析融合，采用传统的模糊C均值聚类方法对智能建筑中温度传感大数据进行聚类，具体为：

智能建筑中温度传感大数据集合中含有n个样本，其中样本x_i，i＝1,2,…,n的数据类群矢量为：

x_i＝(x₁,x₂,…,x_n)^T

把数据类群适应度值X分为K类，其中1<K<n，随着聚类中心的迭代更新，模糊聚类中心矩阵的收敛值为：

V＝{v_ij|i＝1,2,…,c,j＝1,2,…,s}

其中V_i为大数据进行分类的全局搜索从高到低不同频率成分，定义模糊C均值下的分解尺度为：

U＝{μ_ik|i＝1,2,…,c,k＝1,2,…,n}

智能建筑中温度传感大数据特征空间中，采用协方差搜索方法，得到模糊C均值聚类算法的聚类目标函数为：

式中，m为差分进化扰动权重阈值，(d_ik)²为样本x_k与V_i的欧式距离，表示为：

(d_ik)²＝||x_k-V_i||²

其中

结合全局最优向量v_i＝(v_i1,v_i2,...,v_iD)的寻优约束条件，采用自适应特征分解方法进行大数据的特征尺度分解，根据采样定理，求得模糊C均值聚类目标函数的极值为：

根据目标函数求最大值，由此确定模糊C均值聚类中心，在聚类中心初始值已经给定的情况下，根据聚类样本数c和模糊度指标m进行自适应寻优；但是，从上述方法可见，一旦温度数据差异较小，冗余数据较多，公式很难计算出合适的距离特征作为分类阀值，传统的C均值聚类算法进行温度传感大数据聚类时，容易陷入局部收敛，得到的局部最优解不能满足准确分类的需求，需要进行算法改进。

在本实施例中，所述步骤S2中，在传统的模糊C均值聚类处理的基础上，引入混沌差分扰动，对大数据分类优化模型进行改进，具体为：

引入混沌差分扰动因子mf，得：

其中，NP为模糊C均值聚类的温度传感大数据的规模大小，f(x_i)为第i个全局搜索尺度空间上的适应度值，为平均适应度值；

利用混沌差分扰动进化的差异度逐渐变小的“聚集”现象，进行智能建筑中温度传感大数据聚类中心收敛分析，根据混沌理论，使用Logistic混沌时间序列进行大数据的二叉分类，Logistic混沌时间序列的形式为：

其中，A(t)为大数据的自回归模态包络，θ(t)为扰动误差，参数t₀,K确定如下：

采用奇异值分解方法对模糊C均值聚类后的数据进行奇异分解，有m阶大数据模糊C均值特征正交矩阵U和n阶正交矩阵V中，采用混沌差分扰动分类，使得：

其中，A为m×n维矩阵，A*A'和A'*A为主分量特征，先进行控制参数的初始化，设定阈值ξ，得到多维特征矢量空间中的NP个混沌序列分量：

x_n+1＝4x_n(1-x_n) n＝1,2,…,NP

其中，x_n为输出的大数据时间序列，在模糊C均值聚类过程中加入到个扰动变量的混沌分量：

Δx_i＝a+(b-a)x_n n＝1,2,…,NP

其中，a为数据类别总数，b为差异性特征数，载入暂态性异常特征定位因子，产生一个初始隶属度分类扰动变量为：

x_n,G＝x_n,G+Δx_i

其中，Δx_i为信息增益，以适应度最小的个体进行迭代，当误差收敛到零，停止迭代，由此实现对大数据的优化分类。

在本实施例中，所述步骤S3中，为了测试本文设计的大数据分类模型在实现智能建筑中温度传感大数据优化聚类分析中的性能，进行仿真分析的硬件环境为：CPU为IntelCore i3-215，主频为2.45GHz，操作系统为Windows XP，编译软件为VC++，数据库的存储系统为SQL sever；

选取智能建筑中温度传感大数据聚类中心的分布式衰减因子为0.25，智能温度传感大数据的采样样本的时间间隔为0.25s，采样点数为1000点，在100～300采样点之间有一个200Hz的频率分量，在400～600采样点之间有一个250Hz的频率分量，特征空间的维度设置为30，混沌差分扰动范围频率分量为0.001，智能建筑中温度传感采集节点的个体的适应度值T＝5，迭代次数为1000，得到四个通道的大数据采样时域波形，如图1所示。

在本实施例中，给出如下参考文献：文献[1]邓中亮,张森杰,焦继超,徐连明.基于高精度室内位置感知的大数据研究与应用[J].计算机应用,2016,36(2):295-300；文献[2]刘经南,方媛,郭迟,等.位置大数据的分析处理研究进展[J].武汉大学学报·信息科学版,2014,39(4):379-385；文献[3]吴鸿华,穆勇,屈忠锋,邓丽霞.基于面板数据的接近性和相似性关联度模型[J].控制与决策,2016,31(03):555-558；文献[4]张博,郝杰,马刚,岳金朋,等.混合概率典型相关性分析[J].计算机研究与发展,2015,52(7):1463-1476；文献[5]吴涛 陈黎飞 郭躬德.优化子空间的高维聚类算法[J].计算机应用,2014,34(8):2279-2284。

以上述大数据采样结果为研究对象，对智能建筑中温度传感大数据进行分类特征提取，实现数据聚类，得到智能建筑中温度传感大数据分类结果如图2至图5所示。从图2至图5可见，采用本文方法进行智能建筑中温度传感大数据聚类，可以正确分析出四个通道的数据分类过程，通过提取数据集的属性特征，提高了数据聚类中心的收敛能力，而参考文献中方法都没有正确分析出四个通道的分类结果，误差较为明显。

把智能建筑温度传感大数据输入的本文设计的数据分量类系统中，在数据分类的基础上，对智能建筑中温度传感大数据信息流进行特征融合处理，提高智能建筑中温度传感大数据分类能力。为了定量分析算法性能，采用10000次蒙特卡洛实验，以智能建筑中温度传感大数据分类的误分率为测试指标，采用本实施例的算法和参考文献中的传统算法进行对比，得到对比结果如图6所示，从图可见，采用本实施例的算法进行数据分类的误分率较低，性能优于传统算法。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (5)

1.一种智能建筑中温度传感大数据的分类优化模型仿真分析方法，其特征在于：具体包括以下步骤：

步骤S1：对智能建筑中温度传感大数据在数据库存储系统中的分布式结构进行分析，并对大数据信息流采样非线性时间序列进行分析，确定温度数据信息流的特征集；

步骤S2：根据所述步骤S1得到的智能建筑中温度传感大数据聚类的数据结构分析和时间序列分析融合，在传统的模糊C均值聚类处理的基础上，引入混沌差分扰动，对大数据分类优化模型进行改进；

步骤S3：针对改进后的大数据分类模型在实现智能建筑中温度传感大数据优化聚类分析中的性能，进行仿真分析；

其中，所述步骤S1中，温度传感大数据采样与分布结构分析具体为：

假设在数据存储空间中，对智能建筑中温度传感大数据存储数据库信息流进行多维相空间重构，设智能建筑中温度传感大数据库的分布式节点，节点存储重要性加权函数为：

其中，调整聚类中心矢量，用输入x(t)减去输出变化量得到温度传感器节点采样的变化特征，采样的频率为：

其中，t₀为初始采样时间检测，a为数据采样的包络幅值，K为控制参数，令A＝{a₁,a₂,...,a_n}为智能建筑中温度传感大数据特征矢量的模糊聚类中心，构建智能建筑中温度传感大数据信息流预处理特征序列训练集的属性集，B＝{b₁,b₂,...,b_m}为海量数据库特征挖掘的属性类别集，得到特征分布的空间角度特征为：

θ₁(k+1)＝θ₁(k)-μRe[A(k)B(k)]

其中，μ是传感大数据分布的收敛步长；则在矢量空间中进行特征信息流分析，温度传感大数据采样的分布结构特征函数为：

其中

2.根据权利要求1所述的一种智能建筑中温度传感大数据的分类优化模型仿真分析方法，其特征在于：所述步骤S1中，对智能建筑中温度传感大数据信息流采样非线性时间序列进行分析，确定温度数据信息流的特征集具体为：

在智能建筑中温度传感大数据分布式结构的基础上，提取智能建筑中温度传感大数据信息流的时间序列为{x(t₀+iΔt)},i＝0,1,…,N-1，分布空间的聚类中心矢量根据结构分析得到；

在温度传感器网络系统中，设时刻t时温度传感大数据采样的阈值ε满足2^-λt＜ε，λ＞0；

根据非线性时间序列分析方法，得到智能建筑中温度传感大数据聚类的矢量特征状态空间的时间轨迹状态表达式为：

式中，x(t)表示大数据的时域分布，J是指向性信息参量，m是互相关共轭嵌入维数，Δt为温度传感大数据的采样时间间隔；

通过上述处理，实现智能建筑中温度传感大数据聚类信息流的时间序列模型构建和非线性时间序列分析；

在此基础上，构建大数据的融合均衡控制方程为：

其中，x₀和y₀为数据在存储空间中的干扰信息和冗余信息；采用信号频谱检验方法对数据联合函数进行匹配和融合，融合的目标函数为：

C＝Min{max(φ)}

其中，C表示数据包的融合度，目标函数表示融合后在均衡化最大的程度下，融合度最小；

分析温度传感器数据结构中各频率分量随时间变化的关系，引入信号的时间－频率联合描述，自适应特征匹配方法表示大数据融合的评判准则为：

Cov(C)＝E{[C-E(C)][C-E(C)]}

由此提高大数据分类的纯度，在此基础上进行大数据分类算法改进设计。

3.根据权利要求1所述的一种智能建筑中温度传感大数据的分类优化模型仿真分析方法，其特征在于：所述步骤S2中，根据智能建筑中温度传感大数据聚类的数据结构分析和时间序列分析融合，采用传统的模糊C均值聚类方法对智能建筑中温度传感大数据进行聚类，具体为：

智能建筑中温度传感大数据集合中含有n₁个样本，其中样本x_i，i＝1,2,…,n₁的数据类群矢量为：

把数据类群适应度值X分为K₁类，其中1<K₁<n1，随着聚类中心的迭代更新，模糊聚类中心矩阵的收敛值为：

V＝{v_ij|i＝1,2,…,c,j＝1,2,…,s}

其中V_i为大数据进行分类的全局搜索从高到低不同频率成分，定义模糊C均值下的分解尺度为：

智能建筑中温度传感大数据特征空间中，采用协方差搜索方法，得到模糊C均值聚类算法的聚类目标函数为：

式中，m₁为差分进化扰动权重阈值，为样本x_k与V_i的欧式距离，表示为：

其中

结合全局最优向量v_i＝(v_i1,v_i2,…,v_iD)的寻优约束条件，采用自适应特征分解方法进行大数据的特征尺度分解，根据采样定理，求得模糊C均值聚类目标函数的极值为：

根据目标函数求最大值，由此确定模糊C均值聚类中心，在聚类中心初始值已经给定的情况下，根据聚类样本数c和模糊度指标m₁进行自适应寻优。

4.根据权利要求1所述的一种智能建筑中温度传感大数据的分类优化模型仿真分析方法，其特征在于：所述步骤S2中，在传统的模糊C均值聚类处理的基础上，引入混沌差分扰动，对大数据分类优化模型进行改进，具体为：

引入混沌差分扰动因子m₂f，得：

其中，NP为模糊C均值聚类的温度传感大数据的规模大小，f(x_i)为第i个全局搜索尺度空间上的适应度值，为平均适应度值；

利用混沌差分扰动进化的差异度逐渐变小的“聚集”现象，进行智能建筑中温度传感大数据聚类中心收敛分析，根据混沌理论，使用Logistic混沌时间序列进行大数据的二叉分类，Logistic混沌时间序列的形式为：

其中，A(t)为大数据的自回归模态包络，θ(t)为扰动误差，参数t₀,K确定如下：

采用奇异值分解方法对模糊C均值聚类后的数据进行奇异分解，有m₂阶大数据模糊C均值特征正交矩阵U和n₂阶正交矩阵V中，采用混沌差分扰动分类，使得：

其中，A₂为m₂×n₂维矩阵，A₂*A₂'和A₂'*A₂为主分量特征，先进行控制参数的初始化，设定阈值ξ，得到多维特征矢量空间中的NP个混沌序列分量：

其中，为输出的大数据时间序列，在模糊C均值聚类过程中加入到个扰动变量的混沌分量：

其中，a为数据类别总数，b为差异性特征数，载入暂态性异常特征定位因子，产生一个初始隶属度分类扰动变量为：

其中，Δx_i为信息增益，以适应度最小的个体进行迭代，当误差收敛到零，停止迭代，由此实现对大数据的优化分类。

5.根据权利要求1所述的一种智能建筑中温度传感大数据的分类优化模型仿真分析方法，其特征在于：所述步骤S3中，进行仿真分析的硬件环境为：CPU为Intel Core i3-215，主频为2.45GHz，操作系统为Windows XP，编译软件为VC++，数据库的存储系统为SQL sever；

选取智能建筑中温度传感大数据聚类中心的分布式衰减因子为0.25，智能温度传感大数据的采样样本的时间间隔为0.25s，采样点数为1000点，在100～300采样点之间有一个200Hz的频率分量，在400～600采样点之间有一个250Hz的频率分量，特征空间的维度设置为30，混沌差分扰动范围频率分量为0.001，智能建筑中温度传感采集节点的个体的适应度值T＝5，迭代次数为1000，得到四个通道的大数据采样时域波形

并对智能建筑中温度传感大数据进行分类特征提取，实现数据聚类，得到智能建筑中温度传感大数据分类结果。