一种基于多模数据的高动态仿真系统数据压缩方法与流程

本发明涉及数据压缩，具体涉及一种基于多模数据的高动态仿真系统数据压缩方法。

背景技术：

1、高动态仿真系统是一种基于多数据和模型进行动态行为模拟和预测的系统，广泛应用于航空航天、汽车工业、医学和气象研究等领域，可帮助评估产品性能并发现潜在问题。高动态仿真系统数据则包括设计参数、控制参数等输入数据，及系统输出的各类仿真数据，这些数据不仅规模庞大，且模态类型繁杂，将会占用大量存储空间，并影响传输效果；故通常进行压缩以节省存储空间、提高数据传输及处理速度，同时还能增加数据安全性。

2、由于高动态仿真系统对数据精度要求较高，否则可能影响仿真结果的可信度，故对数据的压缩效果至关重要。现有技术中通常基于先验知识构建数据压缩规范库以查找每种模态数据的最优压缩算法以压缩；但其并未考虑到数据的结构特征，可能导致部分相同模态下的数据采用对应最优压缩算法时，数据的压缩效果不一致，部分数据的压缩效果可能并不理想。

技术实现思路

1、为了解决现有技术对高动态仿真系统数据压缩效果不理想的技术问题，本发明的目的在于提供一种基于多模数据的高动态仿真系统数据压缩方法，所采用的技术方案具体如下：

2、获取高动态仿真系统的历史仿真过程中所有模态下的所有历史样本数据；基于所述历史样本数据构建预设压缩规范库，所述预设压缩规范库中用于压缩每个所述历史样本数据的压缩算法至少包括两种；

3、根据相同模态下不同所述历史样本数据间的相似性，获取每种模态下的样本关系网络；在每个所述样本关系网络中，根据每个节点对应所述历史样本数据的压缩算法的出现频次及对对应所述历史样本数据的压缩效果，结合节点连接关系，获取每个所述样本关系网络中的所有样本社区及对应社区压缩算法；

4、将当前仿真过程中每种模态下的每个当前样本数据均作为待压缩数据；根据每个所述待压缩数据，与相同模态下的每个所述样本社区中的所有所述历史样本数据间的相似性，从所有所述样本社区中筛选出每个所述待压缩数据的归属社区，利用所述归属社区对应所述社区压缩算法将对应所述待压缩数据进行压缩。

5、进一步地，所述样本关系网络的获取方法包括：

6、在每种模态下，根据不同所述历史样本数据间的规模差异及样本值差异，获取相似性指数，所述规模差异及所述样本值差异均与所述相似性指数负相关；

7、根据不同所述历史样本数据间的所述相似性指数获取对应不同节点间的直接连接关系，构建样本关系网络。

8、进一步地，所述直接连接关系的获取方法包括：

9、当所述相似性指数大于预设阈值时，判定对应不同节点间具有直接连接关系。

10、进一步地，所述样本社区的获取方法包括：

11、在每个所述样本关系网络中，将每个节点对应所述历史样本数据的每种所述压缩算法作为一个标签，基于slpa算法将对应所述样本关系网络进行划分，得到所有样本社区；

12、在slpa算法的标签迭代传播过程中，将每个节点与所有连接节点对应所述历史样本数据的所述压缩算法的并集，作为每个节点的所有备选压缩算法的集合；根据每个节点处每种所述备选压缩算法的出现频次及对应压缩效果，获取每种所述备选压缩算法的参考指数；根据所述参考指数更新每个节点的标签。

13、进一步地，所述参考指数的获取方法包括：

14、将每种所述备选压缩算法对对应节点的所述历史样本数据的压缩效果，作为目标参考系数；

15、在每个节点的所有连接节点中，根据每种所述备选压缩算法的出现频次，及对每个连接节点对应所述历史样本数据的压缩效果，获取连接参考系数；

16、根据所述目标参考系数及所述连接参考系数，获取每个节点处每种所述备选压缩算法的参考指数，所述目标参考系数及所述连接参考系数均与所述参考指数正相关。

17、进一步地，所述根据所述参考指数更新每个节点的标签的方法包括：

18、将所述参考指数最大的所述备选压缩算法，作为一个更新标签，添加至对应节点的所有标签中。

19、进一步地，所述社区压缩算法的获取方法包括：

20、在每个所述样本社区中，将所有节点对应所述标签的所述压缩算法作为初筛社区压缩算法；根据所述初筛社区压缩算法对对应所述历史样本数据的压缩效果及出现频次，获取每种所述初筛社区压缩算法的优先级，所述出现频次及所述压缩效果均与所述优先级正相关；

21、将所述优先级最大的所述初筛社区压缩算法作为对应所述样本社区的社区压缩算法。

22、进一步地，所述归属社区的获取方法包括：

23、将每个所述待压缩数据对应模态下的所述样本关系网络中的所有所述样本社区，作为每个所述待压缩数据的初筛归属社区；

24、根据每个所述待压缩数据与每个所述初筛归属社区中所述历史样本数据间的规模差异及样本值差异，获取每个所述待压缩数据对于每个所述初筛归属社区的归属程度，所述规模差异及所述样本值差异均与所述归属程度正相关；

25、在所有所述初筛归属社区中，将所述归属程度最大的所述初筛归属社区作为对应所述待压缩数据的归属社区。

26、进一步地，所述压缩效果的获取方法包括：

27、根据每种所述压缩算法压缩对应所述历史样本数据的压缩比及压缩率，获取第一效果参数；

28、在每种所述压缩算法下，根据对应所述历史样本数据的压缩及解压缩的时长，及压缩前及解压缩后的样本值差异，获取第二效果参数；

29、根据所述第一效果参数及所述第二效果参数获取每种所述压缩算法压缩对应所述历史样本数据的压缩效果。

30、进一步地，所述模态至少包括文本、数值、图像、音频。

31、本发明具有如下有益效果：

32、本发明实施例首先获取高动态仿真系统的历史仿真过程中所有模态下的所有历史样本数据；基于历史样本数据构建预设压缩规范库，预设压缩规范库中用于压缩每个历史样本数据的压缩算法至少包括两种，为后续分析并划分样本社区做准备；根据相同模态下不同历史样本数据间的相似性，获取每种模态下的样本关系网络，从而便于后续划分样本社区后，为新样本数据提供快速匹配途径；在每个样本关系网络中，根据每个节点对应历史样本数据的压缩算法的出现频次及对对应历史样本数据的压缩效果，结合节点连接关系，获取每个样本关系网络中的所有样本社区及对应社区压缩算法；在样本社区的划分过程中，优化了传统算法只根据出现频次来进行标签的传播更新，而忽略了标签对应压缩算法的压缩效果的弊端，提高样本社区划分效果；将当前仿真过程中每种模态下的每个当前样本数据均作为待压缩数据，根据每个待压缩数据与相同模态下的每个样本社区中的所有历史样本数据间的相似性，快速匹配待压缩数据的归属社区，从而利用归属社区对应社区压缩算法将对应待压缩数据进行压缩。本发明基于压缩算法的出现频次及压缩效果改进社区划分过程，提高社区划分效果，并利用当前多模样本数据与每个样本社区内历史样本数据间的内部特征的相似性，快速匹配对应归属社区，提高了当前多模样本数据的压缩效果及效率。