【技術實現步驟摘要】
本專利技術涉及數據壓縮，具體涉及一種基于多模數據的高動態仿真系統數據壓縮方法。
技術介紹
1、高動態仿真系統是一種基于多數據和模型進行動態行為模擬和預測的系統，廣泛應用于航空航天、汽車工業、醫學和氣象研究等領域，可幫助評估產品性能并發現潛在問題。高動態仿真系統數據則包括設計參數、控制參數等輸入數據，及系統輸出的各類仿真數據，這些數據不僅規模龐大，且模態類型繁雜，將會占用大量存儲空間，并影響傳輸效果；故通常進行壓縮以節省存儲空間、提高數據傳輸及處理速度，同時還能增加數據安全性。
2、由于高動態仿真系統對數據精度要求較高，否則可能影響仿真結果的可信度，故對數據的壓縮效果至關重要。現有技術中通常基于先驗知識構建數據壓縮規范庫以查找每種模態數據的最優壓縮算法以壓縮；但其并未考慮到數據的結構特征，可能導致部分相同模態下的數據采用對應最優壓縮算法時，數據的壓縮效果不一致，部分數據的壓縮效果可能并不理想。
技術實現思路
1、為了解決現有技術對高動態仿真系統數據壓縮效果不理想的技術問題，本專利技術的目的在于提供一種基于多模數據的高動態仿真系統數據壓縮方法，所采用的技術方案具體如下：
2、獲取高動態仿真系統的歷史仿真過程中所有模態下的所有歷史樣本數據；基于所述歷史樣本數據構建預設壓縮規范庫，所述預設壓縮規范庫中用于壓縮每個所述歷史樣本數據的壓縮算法至少包括兩種；
3、根據相同模態下不同所述歷史樣本數據間的相似性，獲取每種模態下的樣本關系網絡；在每個所述樣本關系網絡
4、將當前仿真過程中每種模態下的每個當前樣本數據均作為待壓縮數據；根據每個所述待壓縮數據，與相同模態下的每個所述樣本社區中的所有所述歷史樣本數據間的相似性，從所有所述樣本社區中篩選出每個所述待壓縮數據的歸屬社區，利用所述歸屬社區對應所述社區壓縮算法將對應所述待壓縮數據進行壓縮。
5、進一步地，所述樣本關系網絡的獲取方法包括：
6、在每種模態下，根據不同所述歷史樣本數據間的規模差異及樣本值差異，獲取相似性指數，所述規模差異及所述樣本值差異均與所述相似性指數負相關；
7、根據不同所述歷史樣本數據間的所述相似性指數獲取對應不同節點間的直接連接關系，構建樣本關系網絡。
8、進一步地，所述直接連接關系的獲取方法包括：
9、當所述相似性指數大于預設閾值時，判定對應不同節點間具有直接連接關系。
10、進一步地，所述樣本社區的獲取方法包括：
11、在每個所述樣本關系網絡中，將每個節點對應所述歷史樣本數據的每種所述壓縮算法作為一個標簽，基于slpa算法將對應所述樣本關系網絡進行劃分，得到所有樣本社區；
12、在slpa算法的標簽迭代傳播過程中，將每個節點與所有連接節點對應所述歷史樣本數據的所述壓縮算法的并集，作為每個節點的所有備選壓縮算法的集合；根據每個節點處每種所述備選壓縮算法的出現頻次及對應壓縮效果，獲取每種所述備選壓縮算法的參考指數；根據所述參考指數更新每個節點的標簽。
13、進一步地，所述參考指數的獲取方法包括：
14、將每種所述備選壓縮算法對對應節點的所述歷史樣本數據的壓縮效果，作為目標參考系數；
15、在每個節點的所有連接節點中，根據每種所述備選壓縮算法的出現頻次，及對每個連接節點對應所述歷史樣本數據的壓縮效果，獲取連接參考系數；
16、根據所述目標參考系數及所述連接參考系數，獲取每個節點處每種所述備選壓縮算法的參考指數，所述目標參考系數及所述連接參考系數均與所述參考指數正相關。
17、進一步地，所述根據所述參考指數更新每個節點的標簽的方法包括：
18、將所述參考指數最大的所述備選壓縮算法，作為一個更新標簽，添加至對應節點的所有標簽中。
19、進一步地，所述社區壓縮算法的獲取方法包括：
20、在每個所述樣本社區中，將所有節點對應所述標簽的所述壓縮算法作為初篩社區壓縮算法；根據所述初篩社區壓縮算法對對應所述歷史樣本數據的壓縮效果及出現頻次，獲取每種所述初篩社區壓縮算法的優先級，所述出現頻次及所述壓縮效果均與所述優先級正相關；
21、將所述優先級最大的所述初篩社區壓縮算法作為對應所述樣本社區的社區壓縮算法。
22、進一步地，所述歸屬社區的獲取方法包括：
23、將每個所述待壓縮數據對應模態下的所述樣本關系網絡中的所有所述樣本社區，作為每個所述待壓縮數據的初篩歸屬社區；
24、根據每個所述待壓縮數據與每個所述初篩歸屬社區中所述歷史樣本數據間的規模差異及樣本值差異，獲取每個所述待壓縮數據對于每個所述初篩歸屬社區的歸屬程度，所述規模差異及所述樣本值差異均與所述歸屬程度正相關；
25、在所有所述初篩歸屬社區中，將所述歸屬程度最大的所述初篩歸屬社區作為對應所述待壓縮數據的歸屬社區。
26、進一步地，所述壓縮效果的獲取方法包括：
27、根據每種所述壓縮算法壓縮對應所述歷史樣本數據的壓縮比及壓縮率，獲取第一效果參數；
28、在每種所述壓縮算法下，根據對應所述歷史樣本數據的壓縮及解壓縮的時長，及壓縮前及解壓縮后的樣本值差異，獲取第二效果參數；
29、根據所述第一效果參數及所述第二效果參數獲取每種所述壓縮算法壓縮對應所述歷史樣本數據的壓縮效果。
30、進一步地，所述模態至少包括文本、數值、圖像、音頻。
31、本專利技術具有如下有益效果：
32、本專利技術實施例首先獲取高動態仿真系統的歷史仿真過程中所有模態下的所有歷史樣本數據；基于歷史樣本數據構建預設壓縮規范庫，預設壓縮規范庫中用于壓縮每個歷史樣本數據的壓縮算法至少包括兩種，為后續分析并劃分樣本社區做準備；根據相同模態下不同歷史樣本數據間的相似性，獲取每種模態下的樣本關系網絡，從而便于后續劃分樣本社區后，為新樣本數據提供快速匹配途徑；在每個樣本關系網絡中，根據每個節點對應歷史樣本數據的壓縮算法的出現頻次及對對應歷史樣本數據的壓縮效果，結合節點連接關系，獲取每個樣本關系網絡中的所有樣本社區及對應社區壓縮算法；在樣本社區的劃分過程中，優化了傳統算法只根據出現頻次來進行標簽的傳播更新，而忽略了標簽對應壓縮算法的壓縮效果的弊端，提高樣本社區劃分效果；將當前仿真過程中每種模態下的每個當前樣本數據均作為待壓縮數據，根據每個待壓縮數據與相同模態下的每個樣本社區中的所有歷史樣本數據間的相似性，快速匹配待壓縮數據的歸屬社區，從而利用歸屬社區對應社區壓縮算法將對應待壓縮數據進行壓縮。本專利技術基于壓縮算法的出現頻次及壓縮效果改進社區劃分過程，提高社區劃分效果，并利用當前多模樣本數據與每個樣本社區內歷史樣本數據間的內部特征的相似性，快速匹配對應本文檔來自技高網...
【技術保護點】
1.一種基于多模數據的高動態仿真系統數據壓縮方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種基于多模數據的高動態仿真系統數據壓縮方法，其特征在于，所述樣本關系網絡的獲取方法包括：
3.根據權利要求2所述的一種基于多模數據的高動態仿真系統數據壓縮方法，其特征在于，所述直接連接關系的獲取方法包括：
4.根據權利要求1所述的一種基于多模數據的高動態仿真系統數據壓縮方法，其特征在于，所述樣本社區的獲取方法包括：
5.根據權利要求4所述的一種基于多模數據的高動態仿真系統數據壓縮方法，其特征在于，所述參考指數的獲取方法包括：
6.根據權利要求4所述的一種基于多模數據的高動態仿真系統數據壓縮方法，其特征在于，所述根據所述參考指數更新每個節點的標簽的方法包括：
7.根據權利要求4所述的一種基于多模數據的高動態仿真系統數據壓縮方法，其特征在于，所述社區壓縮算法的獲取方法包括：
8.根據權利要求1所述的一種基于多模數據的高動態仿真系統數據壓縮方法，其特征在于，所述歸屬社區的獲取方法包括：
9
10.根據權利要求1所述的一種基于多模數據的高動態仿真系統數據壓縮方法，其特征在于，所述模態至少包括文本、數值、圖像、音頻。
...【技術特征摘要】
1.一種基于多模數據的高動態仿真系統數據壓縮方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種基于多模數據的高動態仿真系統數據壓縮方法，其特征在于，所述樣本關系網絡的獲取方法包括：
3.根據權利要求2所述的一種基于多模數據的高動態仿真系統數據壓縮方法，其特征在于，所述直接連接關系的獲取方法包括：
4.根據權利要求1所述的一種基于多模數據的高動態仿真系統數據壓縮方法，其特征在于，所述樣本社區的獲取方法包括：
5.根據權利要求4所述的一種基于多模數據的高動態仿真系統數據壓縮方法，其特征在于，所述參考指數的獲取方法包括：
6.根據權利要求4所述的一...
【專利技術屬性】
技術研發人員：竇曉牧，
申請(專利權)人：南京高商機電科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。