测绘仪器设备状态监测数据实时压缩方法

骆元家

（1.柳州工学院，广西 柳州 541516）

对测绘仪器设备状态监测数据实时压缩方法的研究是建立在对监测数据链特征分析的基础上，通过大数据链分析和特征优化重组，建立测绘仪器设备状态监测数据的特征链结构分析模型，通过空间信息融合和量化特征解析控制，建立符合测绘仪器设备状态监测大数据聚类分析模型。在大数据和云平台分析环境下，实现测绘仪器设备状态监测数据实时压缩设计[1-3]，从而提高测绘仪器设备状态监测数据实时压缩能力。传统方法中，文献[4]提出基于参数识别的轨道电路监测数据压缩方法，从识别数据变化出发，将反映设备参数变化的部分数据从整体数据中分离出来存储，以保留参数变化细节。对不能反映设备参数变化的正常数据，只记录开始、结束时间和数据值，从而实现数据压缩。但是该方法的数据压缩率较低，导致数据的存储空间较小。文献[5]提出工业设备远程监控中的数据压缩方法，对构造的字符编码表的长度进行动态分配，并建立父指针索引和HASH索引，而时间预测编码压缩方法主要是对时间属性数值进行压缩，最后采用检验数据压缩性能的指标，通过实例验证改进的LZW算法的数据压缩效果，但是该方法的监测数据兼容度较低，导致数据压缩效果不佳。

针对上述方法存在的弊端，本文提出基于约束点的测绘仪器设备状态监测数据实时压缩方法。首先采用全局稳态性的传感节点部署方法，采集测绘仪器设备状态监测数据，在线性融合的子空间中，采用离散时间序列重组方法，对监测数据进行融合聚类处理，提取测绘仪器设备状态监测数据特征约束点，从而完成对测绘仪器设备状态监测数据的实时压缩操作，最后通过实验进行验证，展示了本文方法在提高测绘仪器设备状态监测数据实时压缩能力方面的优越性。

1 测绘仪器设备状态监测数据预处理

1.1 数据采集

为了实现基于约束点的测绘仪器设备状态监测数据的实时压缩，需对测绘仪器设备状态监测数据进行预处理[6-7]。首先通过特征序列重组，构建测绘仪器设备状态监测数据的共轭模型，如图1所示。

图1 监测数据的共轭模型

根据图1构建的共轭模型，输出测绘仪器设备状态监测数据的相关序列，采用空间节点部署和轮换控制技术，得到测绘仪器设备状态监测数据的实时压缩决策函数，用1μm＜max{ }1μ1，1μ2表示。当满足1λ0＞1μm时，测绘仪器设备状态监测数据特征分布式拟合的统计特征量为1μm≤min{ }1μ1，1μ2，其中1λ0表示阈值函数。当2个属性值满足收敛性，得到最优调度函数，其表达式为：

在最优调度函数的基础之上，采用决策树分类方法构建测绘仪器设备状态监测数据分布概念图，采用模糊度特征分析方法，进行测绘仪器设备状态监测数据挖掘的自适应调度，其表达式为：

式中，统计特征量μm满足收敛解；表示自适应调度阈值。

结合自定义数据处理逻辑结构设计方法实现对测绘仪器设备状态监测数据库检索，采用全局稳态性的传感节点部署方法，对测绘仪器设备状态监测数据进行采集，其表达式为：

1.2 数据融合聚类

根据测绘仪器设备状态监测数据采集结果，利用最大扩充相容分布，结合内源融合控制，进行测绘仪器设备状态监测数据的融合聚类处理。

采用离散时间序列重组方法对测绘仪器设备状态监测数据进行空间重构设计，结合子空间压缩的方法构建测绘仪器设备状态监测数据检测的统计检测模型[8]，结合模糊信息融合方法，得到测绘仪器设备状态监测数据的二元回归分析模型为：

式中，R2表示测绘仪器设备状态监测数据约束进化指标参量集；ω表示测绘仪器设备状态监测数据分析的联合相关系数。采用概念图理论，构建监测数据离散聚类融合分布集：

通过索引表名称、索引列等信息对监测数据库进行时间序列重组[9]，构建监测数据压缩的测度融合方程：

利用最大扩充相容分布，结合内源融合控制方法，对监测数据进行融合聚类处理，其表达式为：

式中，p(ai)表示融合系数；P(ni)表示聚类系数；表示测绘仪器设备状态监测数据的联合参数特征集。

2 基于数据特征约束点的数据实时压缩

2.1 数据特征约束点提取

上述实现了测绘仪器设备状态监测数据采集和融合聚类处理，基于约束点，对测绘仪器设备状态监测数据实时压缩。通过增益控制和权重学习的方法，分析监测数据的关联匹配度[10]，得到测绘仪器设备状态监测数据的概念图分布节点，其表达式为：

根据2个概念图的相似度，得到测绘仪器设备状态监测的可靠性分布目标函数为：

式中，Rp表示测绘仪器设备状态监测数据的关联匹配度。

在测绘仪器设备状态融合聚类中心，得到测绘仪器设备状态监测数据的分布式图数据库模型利用增益学习控制方法，得到模糊特征收敛条件满足：

式中，x1，x2，i∈R表示结合测绘仪器设备状态监测状态分布集。

根据测绘仪器设备状态监测数据的回归分析结果，建立测绘仪器设备状态监测数据的量化回归分析模型，其表达式为：

式中，{x(t0+iΔt)}表示测绘仪器设备状态监测数据的离散调度序列。

通过稀疏性特征匹配，构建测绘仪器设备状态监测数据压缩的子空间，从而得到数据实时压缩的语义特征表达式为：

采用二乘规划和线性特征拟合方法，得到测绘仪器设备状态监测数据的特征约束点提取结果，其描述如下：

2.2 数据实时压缩模型构建

根据数据特征约束点提取结果，获取测绘仪器设备状态监测数据压缩可靠性评价的属性值，以此提高测绘仪器设备状态监测数据压缩的可靠性。结合模糊度检测和特征检测结果，计算测绘仪器设备状态监测数据的粗糙集特征匹配模型中所有的特征解，设定表示输出联合可靠性分布函数，且Rmac在所有的相匹配的E-A模型中，得到测绘仪器设备状态监测数据实时压缩的二元线性规划模型满足：

采用统计量化融合分析方法实现测绘仪器设备状态监测数据特征量化空间转换，通过子空间降噪和多维压缩[11-13]，得到测绘仪器设备状态监测数据的关联分布熵，其表达式为：

式中，N为测绘仪器设备状态监测数据库的高度关联联合分布序列；μ1、μ2和μm为测绘仪器设备状态监测数据挖掘的统计特征量。测绘仪器设备状态监测数据关联评价的深度学习模型为：

采用相似度特征分析方法，得到测绘仪器设备状态监测数据的关联维分布结构特征量[14]，根据特征量，对输出的自适应参数进行匹配，其表达式为：

式中，当j=1时，σj()k表示测绘仪器设备状态监测数据库的存储空间的分布量化参数集；μi表示大数据集X的关联规则特征量[15]。采用区块联合参数识别的方法，获取测绘仪器设备状态监测数据的实时压缩系数，其表达式为：

根据上式，采用复合概念图模型分析方法，构建数据实时压缩模型，其表达式为：

式中，μ′表示数据压缩可靠性评价的属性值。

根据上述分析，通过提取测绘仪器设备状态监测数据特征约束点，实现了测绘仪器设备状态监测数据的实时压缩。

3 仿真实验与结果分析

为了验证本文方法在实现测绘仪器设备状态监测数据压缩中的应用性能，采用SPSS和Visual C++进行仿真测试分析，设定测绘仪器设备状态监测的服务线程数为5，数据采集的样本长度为1 024，对测绘仪器设备状态特征压缩的空间分布维数为12，模糊相关约束系数为0.25，测试集和训练集的分布如表1所示。

表1 测试集和训练集

以表1所示的结果为原始数据，计算优化后的测绘仪器设备状态监测数据压缩的约束指标压缩率为:

式中，Y′(m)表示优化前的绘仪器设备状态监测数据压缩的约束指标压缩存储空间；Y(m)表示优化后的约束指标压缩存储空间。

数据输出的兼容度：

根据上述相关数据设定，得到测绘仪器设备状态监测数据采样结果如图2所示。

图2 测绘仪器设备状态监测数据采样结果

为了验证本文方法的应用性能，以图2的数据采样结果为研究对象，将文献[4]提出的基于参数识别的轨道电路监测数据压缩方法和文献[5]提出的工业设备远程监控中的数据压缩方法作为对照方法，测试测绘仪器设备状态监测数据压缩输出的压缩率及兼容度。

运用3种方法测试测绘仪器设备状态监测数据压缩率，得到对比结果如图3所示。

分析图3得知，运用本文方法进行测绘仪器设备状态监测数据压缩的压缩率最高，且在不同样本下的压缩率普遍相同，明显高于文献[4]、[5]提出的方法，由此表明本文方法能够提高数据的存储空间。

图3 3种方法的数据压缩率对比结果

4 结语

针对传统的测绘仪器设备状态监测数据实时压缩方法存在数据兼容度较低、数据压缩效果不佳的问题，本文提出基于约束点的测绘仪器设备状态监测数据实时压缩方法。结合自定义数据处理逻辑结构设计方法实现对测绘仪器设备状态监测数据的采集，采用离散时间序列重组实现对测绘仪器设备状态监测数据特征空间重构。根据测绘仪器设备状态监测数据的特征提取结果，得到测绘仪器设备状态监测数据压缩可靠性评价的属性值，从而提高测绘仪器设备状态监测数据压缩的可靠性。研究得知，本文方法进行测绘仪器设备状态监测数据压缩的效率较高，性能较好。