本發(fā)明涉及數(shù)據(jù)壓縮，具體涉及一種基于多模數(shù)據(jù)的高動(dòng)態(tài)仿真系統(tǒng)數(shù)據(jù)壓縮方法。

背景技術(shù)：

1、高動(dòng)態(tài)仿真系統(tǒng)是一種基于多數(shù)據(jù)和模型進(jìn)行動(dòng)態(tài)行為模擬和預(yù)測(cè)的系統(tǒng)，廣泛應(yīng)用于航空航天、汽車(chē)工業(yè)、醫(yī)學(xué)和氣象研究等領(lǐng)域，可幫助評(píng)估產(chǎn)品性能并發(fā)現(xiàn)潛在問(wèn)題。高動(dòng)態(tài)仿真系統(tǒng)數(shù)據(jù)則包括設(shè)計(jì)參數(shù)、控制參數(shù)等輸入數(shù)據(jù)，及系統(tǒng)輸出的各類(lèi)仿真數(shù)據(jù)，這些數(shù)據(jù)不僅規(guī)模龐大，且模態(tài)類(lèi)型繁雜，將會(huì)占用大量存儲(chǔ)空間，并影響傳輸效果；故通常進(jìn)行壓縮以節(jié)省存儲(chǔ)空間、提高數(shù)據(jù)傳輸及處理速度，同時(shí)還能增加數(shù)據(jù)安全性。

2、由于高動(dòng)態(tài)仿真系統(tǒng)對(duì)數(shù)據(jù)精度要求較高，否則可能影響仿真結(jié)果的可信度，故對(duì)數(shù)據(jù)的壓縮效果至關(guān)重要?，F(xiàn)有技術(shù)中通常基于先驗(yàn)知識(shí)構(gòu)建數(shù)據(jù)壓縮規(guī)范庫(kù)以查找每種模態(tài)數(shù)據(jù)的最優(yōu)壓縮算法以壓縮；但其并未考慮到數(shù)據(jù)的結(jié)構(gòu)特征，可能導(dǎo)致部分相同模態(tài)下的數(shù)據(jù)采用對(duì)應(yīng)最優(yōu)壓縮算法時(shí)，數(shù)據(jù)的壓縮效果不一致，部分?jǐn)?shù)據(jù)的壓縮效果可能并不理想。

技術(shù)實(shí)現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)對(duì)高動(dòng)態(tài)仿真系統(tǒng)數(shù)據(jù)壓縮效果不理想的技術(shù)問(wèn)題，本發(fā)明的目的在于提供一種基于多模數(shù)據(jù)的高動(dòng)態(tài)仿真系統(tǒng)數(shù)據(jù)壓縮方法，所采用的技術(shù)方案具體如下：

2、獲取高動(dòng)態(tài)仿真系統(tǒng)的歷史仿真過(guò)程中所有模態(tài)下的所有歷史樣本數(shù)據(jù)；基于所述歷史樣本數(shù)據(jù)構(gòu)建預(yù)設(shè)壓縮規(guī)范庫(kù)，所述預(yù)設(shè)壓縮規(guī)范庫(kù)中用于壓縮每個(gè)所述歷史樣本數(shù)據(jù)的壓縮算法至少包括兩種；

3、根據(jù)相同模態(tài)下不同所述歷史樣本數(shù)據(jù)間的相似性，獲取每種模態(tài)下的樣本關(guān)系網(wǎng)絡(luò)；在每個(gè)所述樣本關(guān)系網(wǎng)絡(luò)中，根據(jù)每個(gè)節(jié)點(diǎn)對(duì)應(yīng)所述歷史樣本數(shù)據(jù)的壓縮算法的出現(xiàn)頻次及對(duì)對(duì)應(yīng)所述歷史樣本數(shù)據(jù)的壓縮效果，結(jié)合節(jié)點(diǎn)連接關(guān)系，獲取每個(gè)所述樣本關(guān)系網(wǎng)絡(luò)中的所有樣本社區(qū)及對(duì)應(yīng)社區(qū)壓縮算法；

4、將當(dāng)前仿真過(guò)程中每種模態(tài)下的每個(gè)當(dāng)前樣本數(shù)據(jù)均作為待壓縮數(shù)據(jù)；根據(jù)每個(gè)所述待壓縮數(shù)據(jù)，與相同模態(tài)下的每個(gè)所述樣本社區(qū)中的所有所述歷史樣本數(shù)據(jù)間的相似性，從所有所述樣本社區(qū)中篩選出每個(gè)所述待壓縮數(shù)據(jù)的歸屬社區(qū)，利用所述歸屬社區(qū)對(duì)應(yīng)所述社區(qū)壓縮算法將對(duì)應(yīng)所述待壓縮數(shù)據(jù)進(jìn)行壓縮。

5、進(jìn)一步地，所述樣本關(guān)系網(wǎng)絡(luò)的獲取方法包括：

6、在每種模態(tài)下，根據(jù)不同所述歷史樣本數(shù)據(jù)間的規(guī)模差異及樣本值差異，獲取相似性指數(shù)，所述規(guī)模差異及所述樣本值差異均與所述相似性指數(shù)負(fù)相關(guān)；

7、根據(jù)不同所述歷史樣本數(shù)據(jù)間的所述相似性指數(shù)獲取對(duì)應(yīng)不同節(jié)點(diǎn)間的直接連接關(guān)系，構(gòu)建樣本關(guān)系網(wǎng)絡(luò)。

8、進(jìn)一步地，所述直接連接關(guān)系的獲取方法包括：

9、當(dāng)所述相似性指數(shù)大于預(yù)設(shè)閾值時(shí)，判定對(duì)應(yīng)不同節(jié)點(diǎn)間具有直接連接關(guān)系。

10、進(jìn)一步地，所述樣本社區(qū)的獲取方法包括：

11、在每個(gè)所述樣本關(guān)系網(wǎng)絡(luò)中，將每個(gè)節(jié)點(diǎn)對(duì)應(yīng)所述歷史樣本數(shù)據(jù)的每種所述壓縮算法作為一個(gè)標(biāo)簽，基于slpa算法將對(duì)應(yīng)所述樣本關(guān)系網(wǎng)絡(luò)進(jìn)行劃分，得到所有樣本社區(qū)；

12、在slpa算法的標(biāo)簽迭代傳播過(guò)程中，將每個(gè)節(jié)點(diǎn)與所有連接節(jié)點(diǎn)對(duì)應(yīng)所述歷史樣本數(shù)據(jù)的所述壓縮算法的并集，作為每個(gè)節(jié)點(diǎn)的所有備選壓縮算法的集合；根據(jù)每個(gè)節(jié)點(diǎn)處每種所述備選壓縮算法的出現(xiàn)頻次及對(duì)應(yīng)壓縮效果，獲取每種所述備選壓縮算法的參考指數(shù)；根據(jù)所述參考指數(shù)更新每個(gè)節(jié)點(diǎn)的標(biāo)簽。

13、進(jìn)一步地，所述參考指數(shù)的獲取方法包括：

14、將每種所述備選壓縮算法對(duì)對(duì)應(yīng)節(jié)點(diǎn)的所述歷史樣本數(shù)據(jù)的壓縮效果，作為目標(biāo)參考系數(shù)；

15、在每個(gè)節(jié)點(diǎn)的所有連接節(jié)點(diǎn)中，根據(jù)每種所述備選壓縮算法的出現(xiàn)頻次，及對(duì)每個(gè)連接節(jié)點(diǎn)對(duì)應(yīng)所述歷史樣本數(shù)據(jù)的壓縮效果，獲取連接參考系數(shù)；

16、根據(jù)所述目標(biāo)參考系數(shù)及所述連接參考系數(shù)，獲取每個(gè)節(jié)點(diǎn)處每種所述備選壓縮算法的參考指數(shù)，所述目標(biāo)參考系數(shù)及所述連接參考系數(shù)均與所述參考指數(shù)正相關(guān)。

17、進(jìn)一步地，所述根據(jù)所述參考指數(shù)更新每個(gè)節(jié)點(diǎn)的標(biāo)簽的方法包括：

18、將所述參考指數(shù)最大的所述備選壓縮算法，作為一個(gè)更新標(biāo)簽，添加至對(duì)應(yīng)節(jié)點(diǎn)的所有標(biāo)簽中。

19、進(jìn)一步地，所述社區(qū)壓縮算法的獲取方法包括：

20、在每個(gè)所述樣本社區(qū)中，將所有節(jié)點(diǎn)對(duì)應(yīng)所述標(biāo)簽的所述壓縮算法作為初篩社區(qū)壓縮算法；根據(jù)所述初篩社區(qū)壓縮算法對(duì)對(duì)應(yīng)所述歷史樣本數(shù)據(jù)的壓縮效果及出現(xiàn)頻次，獲取每種所述初篩社區(qū)壓縮算法的優(yōu)先級(jí)，所述出現(xiàn)頻次及所述壓縮效果均與所述優(yōu)先級(jí)正相關(guān)；

21、將所述優(yōu)先級(jí)最大的所述初篩社區(qū)壓縮算法作為對(duì)應(yīng)所述樣本社區(qū)的社區(qū)壓縮算法。

22、進(jìn)一步地，所述歸屬社區(qū)的獲取方法包括：

23、將每個(gè)所述待壓縮數(shù)據(jù)對(duì)應(yīng)模態(tài)下的所述樣本關(guān)系網(wǎng)絡(luò)中的所有所述樣本社區(qū)，作為每個(gè)所述待壓縮數(shù)據(jù)的初篩歸屬社區(qū)；

24、根據(jù)每個(gè)所述待壓縮數(shù)據(jù)與每個(gè)所述初篩歸屬社區(qū)中所述歷史樣本數(shù)據(jù)間的規(guī)模差異及樣本值差異，獲取每個(gè)所述待壓縮數(shù)據(jù)對(duì)于每個(gè)所述初篩歸屬社區(qū)的歸屬程度，所述規(guī)模差異及所述樣本值差異均與所述歸屬程度正相關(guān)；

25、在所有所述初篩歸屬社區(qū)中，將所述歸屬程度最大的所述初篩歸屬社區(qū)作為對(duì)應(yīng)所述待壓縮數(shù)據(jù)的歸屬社區(qū)。

26、進(jìn)一步地，所述壓縮效果的獲取方法包括：

27、根據(jù)每種所述壓縮算法壓縮對(duì)應(yīng)所述歷史樣本數(shù)據(jù)的壓縮比及壓縮率，獲取第一效果參數(shù)；

28、在每種所述壓縮算法下，根據(jù)對(duì)應(yīng)所述歷史樣本數(shù)據(jù)的壓縮及解壓縮的時(shí)長(zhǎng)，及壓縮前及解壓縮后的樣本值差異，獲取第二效果參數(shù)；

29、根據(jù)所述第一效果參數(shù)及所述第二效果參數(shù)獲取每種所述壓縮算法壓縮對(duì)應(yīng)所述歷史樣本數(shù)據(jù)的壓縮效果。

30、進(jìn)一步地，所述模態(tài)至少包括文本、數(shù)值、圖像、音頻。

31、本發(fā)明具有如下有益效果：

32、本發(fā)明實(shí)施例首先獲取高動(dòng)態(tài)仿真系統(tǒng)的歷史仿真過(guò)程中所有模態(tài)下的所有歷史樣本數(shù)據(jù)；基于歷史樣本數(shù)據(jù)構(gòu)建預(yù)設(shè)壓縮規(guī)范庫(kù)，預(yù)設(shè)壓縮規(guī)范庫(kù)中用于壓縮每個(gè)歷史樣本數(shù)據(jù)的壓縮算法至少包括兩種，為后續(xù)分析并劃分樣本社區(qū)做準(zhǔn)備；根據(jù)相同模態(tài)下不同歷史樣本數(shù)據(jù)間的相似性，獲取每種模態(tài)下的樣本關(guān)系網(wǎng)絡(luò)，從而便于后續(xù)劃分樣本社區(qū)后，為新樣本數(shù)據(jù)提供快速匹配途徑；在每個(gè)樣本關(guān)系網(wǎng)絡(luò)中，根據(jù)每個(gè)節(jié)點(diǎn)對(duì)應(yīng)歷史樣本數(shù)據(jù)的壓縮算法的出現(xiàn)頻次及對(duì)對(duì)應(yīng)歷史樣本數(shù)據(jù)的壓縮效果，結(jié)合節(jié)點(diǎn)連接關(guān)系，獲取每個(gè)樣本關(guān)系網(wǎng)絡(luò)中的所有樣本社區(qū)及對(duì)應(yīng)社區(qū)壓縮算法；在樣本社區(qū)的劃分過(guò)程中，優(yōu)化了傳統(tǒng)算法只根據(jù)出現(xiàn)頻次來(lái)進(jìn)行標(biāo)簽的傳播更新，而忽略了標(biāo)簽對(duì)應(yīng)壓縮算法的壓縮效果的弊端，提高樣本社區(qū)劃分效果；將當(dāng)前仿真過(guò)程中每種模態(tài)下的每個(gè)當(dāng)前樣本數(shù)據(jù)均作為待壓縮數(shù)據(jù)，根據(jù)每個(gè)待壓縮數(shù)據(jù)與相同模態(tài)下的每個(gè)樣本社區(qū)中的所有歷史樣本數(shù)據(jù)間的相似性，快速匹配待壓縮數(shù)據(jù)的歸屬社區(qū)，從而利用歸屬社區(qū)對(duì)應(yīng)社區(qū)壓縮算法將對(duì)應(yīng)待壓縮數(shù)據(jù)進(jìn)行壓縮。本發(fā)明基于壓縮算法的出現(xiàn)頻次及壓縮效果改進(jìn)社區(qū)劃分過(guò)程，提高社區(qū)劃分效果，并利用當(dāng)前多模樣本數(shù)據(jù)與每個(gè)樣本社區(qū)內(nèi)歷史樣本數(shù)據(jù)間的內(nèi)部特征的相似性，快速匹配對(duì)應(yīng)歸屬社區(qū)，提高了當(dāng)前多模樣本數(shù)據(jù)的壓縮效果及效率。