王勝杰 李煥云

摘要：傳統(tǒng)的數據壓縮方法在處理數據時負荷較大，響應頻率較低，因此需要研究基于灰色GM模型進行數據壓縮處理。首先對壓縮數據接口模塊進行設計，并運用GM模型進行數據壓縮，最后對處理結果進行建模分析，由此完成數據壓縮處理。為驗證設計方法的有效性，進行對比實驗，證明設計方法相較于傳統(tǒng)方法具有更高的響應頻率。

關鍵詞：數據壓縮;GM模型;響應頻率

中圖分類號：TB114? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）36-0151-02

開放科學（資源服務）標識碼（OSID）：

數據壓縮是指在不丟失有用信息的前提下，縮減數據量以減少存儲空間，提高其傳輸、存儲和處理效率，或按照一定的算法對數據進行重新組織，減少數據冗余和存儲空間的一種技術方法。數據壓縮包括有損壓縮和無損壓縮[1]。在計算機科學和信息論中，數據壓縮或者源編碼是按照特定的編碼機制用比未經編碼少的數據位元（或者其他信息相關的單位）表示信息的過程。為提高數據壓縮響應頻率，將GM模型應用于數據壓縮處理中，并進行實驗分析，驗證設計方法的有效性。

1 基于灰色GM模型的數據處理

1.1 壓縮數據接口模塊設計

運用灰色GM模型對數據進行處理，實現對數據的壓縮以及異常檢測。對數據壓縮得到的結果進行異常分析，避免異常數據干擾采集數據系統(tǒng)運行，從而產生空值的情況。并根據數據異常的情況進行特征分類，調整異常數據的格式，對異常數據的值域區(qū)間進行計算。由于異常數據對矩陣壓縮的結果影響很大，因此，需要對壓縮數據接口模塊進行構建，利用異常數據的值域區(qū)間重新調整數據異常值。首先針對接口模塊在數理統(tǒng)計中的殘差進行計算，提供有關接口模塊的重要信息，對數據信息所產生的殘差進行判斷，檢測處理數據接口模塊，重新規(guī)劃數據檢測處理規(guī)范[2]。對應數據監(jiān)測的要求進行接口模塊的觀測，對比實際觀測值與原數據觀測結果樣本，采用平方預測誤差來實現數據的監(jiān)測，進行數據的異常檢測[3]。

為了在灰色GM模型中實現對實時數據的高效處理，整合數據計算優(yōu)勢模型，利用灰色GM模型對數據矩陣進行處理。利用灰色GM模型與借口模塊進行連接，并應用機器學習算法處理數據。在出現復雜的數據整合情況時，在基于灰色GM模型的數據處理模式下，利用機器學習算法進行數據處理模塊的選擇。該接口利用了灰色GM模型的顯著優(yōu)勢，通過并行處理分析訓練模塊，完成對數據的離線整合。并以離線分析作為應用基礎，建立離線分析整合的應用層。按需向借口模塊提供實時分析算法，保證借口模塊檢測的時效性。利用監(jiān)測數據在接口模塊中的應用效果，隨時進行接口模塊連接。對數據分析的時延進行計算，在保證數據分析準確的同時提升分析效率。處理離線分析數據實時檢測窗口，輸入分析接口模塊系統(tǒng)實時數據。降低異常數據矩陣維度，進行異常數據的檢測處理。利用訓練模型處理小批量數據，并根據分析結果實現數據矩陣整合，得到壓縮數據接口模塊分析架構，如圖1所示。

通過分析圖中接口模塊，針對壓縮數據接口模塊的實時流數據進行統(tǒng)計，利用感知系統(tǒng)處理分析模塊，通過分析數據處理模型整合壓縮數據。對分析模型的系統(tǒng)匹配度進行檢驗，并匹配最新的分析模型計算數據處理效果。根據最新數據集規(guī)劃離線學習模型，并將數據處理特征進行數據存儲，并基于此數據集進行數據壓縮。壓縮數據接口模塊處理得到的分析結果可以直接輸出到數據存儲層中。

1.2 基于灰色GM模型的數據壓縮

通過數據挖掘研究數據壓縮，對數據樣本進行處理，觀測分析數據序列，總結數據規(guī)律并將其應用于觀測數據中，通過對數據序列進行維度處理，完成壓縮采集數據。在數據規(guī)律圖像處理中，通過變換處理場景采集數據變量，通過數據存儲負荷的增加進行數據分析。因此針對圖像以及多維度數據進行壓縮，通過主成分分析，對數據的規(guī)模進行降維，降低后續(xù)算法處理的復雜度，針對不同的需求，主成分分析也應用了大量的改進算法[4]。對整體數據趨勢的維度進行整合，并從數據集合中選擇代表樣本，在新的數據空間中轉移數據集合，并通過維度性質確定數據空間維度數據的下降趨勢。

分析樣本數據集的性質，根據樣本集數據進行PCA算法存儲。將數據矩陣應用于多維度數據集，對比一般情況分析矩陣排列規(guī)律。利用算法將數據矩陣轉化為多維度的數據集，記錄數據集中的矩陣集合，并針對每條記錄結果進行特征篩選，將數據向量對應記錄結果，將每一個特征看作矩陣每一列集中的代表數據，對應數據中的特征篩選代表數據集中的行列。據此，行程矩陣記錄的集合，公式如下：

[X=x11…x1k???xn1…xnk=X1，X2，X3，…Xk]? ? ? ? （1）

調整矩陣數據的投影，利用向量A和B的內積，計算向量投影的具體長度。通過內積確定向量的具體位置，對內積上的向量坐標進行計算，轉換數據坐標，并將該坐標向矩陣數列中擴展，對數據向量的集合進行矩陣處理，將矩陣與基矩陣相對應。并做乘積處理，得到基矩陣與數據矩陣的乘積結果，以此達到轉換數據矩陣維度的目的，也使得數據矩陣維度降低。在保留相關性較弱維度的前提下，對數據矩陣進行轉換[5]。通過非相關矩陣維度特性，進行數據維度與基矩陣維度的對比，對高于基矩陣維度的數據矩陣，不能進行降維處理。對數據矩陣的形式進行處理，將基矩陣設定為：[a1，a2，a3，…]，重新組合元數據矩陣，轉化數據矩陣的排列類型，并根據線性組合調整數據矩陣序列。在保證數據方差不受轉化干擾的同時，利用基數據矩陣，對當前特征數的均值h進行設定。將特征數列的均值帶入數據矩陣中，利用變量m計算矩陣數據，規(guī)避均值對矩陣計算結果的干擾。再對二維數據進行降維，轉換向量此原則顯然是不適用的，此時方差最大原則是適用的。對矩陣數據的區(qū)間進行拓展，計算數據矩陣方差的應用區(qū)間，利用矩陣數據的相關性調轉數據矩陣向量，同時測量矩陣存儲信息的數據冗余度。在矩陣數據存儲信息過多時，通過轉化數據結果降低數據冗余度，以此保留矩陣數據中的信息豐富度。盡可能選擇不相關冗余矩陣，對數據向量進行調整，保證不同數據向量之間互不干擾。采用協(xié)方差計算數據矩陣變量的大小，分解方差矩陣中的特征值，針對原數據矩陣中的特征性質，從P矩陣維度上進行數據降維。按照從大到小的順序對向量單位進行分析，通過前幾個矩陣向量進行數據選取，利用矩陣特點呈現出的非相關性，對數據降低維度所需要的數據進行采集。通過對矩陣中的p值求解，得到采集數據的壓縮降維維度，完成對采集數據的壓縮。

1.3 數據壓縮結果建模分析

考慮到建模分析，對分析模型X進行壓縮整理。假設數據均值為[μ]，則模型標準差為a。當新數據到達時，依據新的數據需要對壓縮數據進行分析。通過監(jiān)測壓縮數據處理結果，得到壓縮數據集合[Y]：

[Y=y1，y2，…yk]? ? ? ? ? ? ? ? ? ? ? ? （2）

結合[X]、[Y]，基于灰色GM構件灰微分方程：

[Yk+aZk=bXk]? ? ? ? ? ? ? ? ? ? ? ? ?（3）

其中

[k=1，2，...，n]，[Zk=0.5Yk+0.5Yk+1]? ? （4）

由此得出GM模型方程為：

[dYdt+aY=μX]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（5）

由此得出數據處理結果，通過數據匯聚節(jié)點對數據進行接收和上傳，完成數據壓縮以及數據處理通道的建立，至此完成對基于灰色GM模型的數據處理方法設計。

2 實驗分析

應用對比試驗，比較基于灰色GM模型的數據壓縮方法與傳統(tǒng)方法1、傳統(tǒng)方法2的數據處理響應次數，通過實驗分析驗證更優(yōu)的試驗方法。

2.1 實驗準備

為了從協(xié)調器中讀取采集的數據，完成對串口的讀取。利用模塊串口擴展服務器傳輸通道，通過CH340模塊進行服務器協(xié)調，根據串口通信轉換USB，保證模塊串口傳輸速率的同時進行串口信息傳遞。通過服務器的Linux內核驅動CH340模塊，在USB通信接口中植入協(xié)調器，分析模塊串口數據響應頻率，利用協(xié)調器的特性對數據進行處理，篩選數據處理結果，選擇測試區(qū)間，并針對測試區(qū)間進行響應頻率統(tǒng)計。利用硬件串口進行模塊的串口連接，對數據處理響應次數進行計算，通過測量3組實驗的節(jié)點，統(tǒng)計數據處理響應結果，以2s作為響應頻率統(tǒng)計區(qū)間單位，實現數據處理響應的頻率的對比。

2.2 對比數據處理響應次數

測量傳統(tǒng)方法1、傳統(tǒng)方法2和基于灰色GM模型的數據處理方法處理數據的響應次數，如圖2。

圖中p1為基于灰色GM模型的數據處理方法處理數據的響應次數曲線，p2為傳統(tǒng)方法1處理數據的響應次數曲線，p3為傳統(tǒng)方法2處理數據的響應次數曲線。分析圖中信息可知，傳統(tǒng)方法1處理數據響應次數最高為32次，數據處理響應次數最低為8次。傳統(tǒng)方法2處理數據響應次數最高為29次，數據處理響應次數最低為8次?；诨疑獹M模型的數據處理方法處理數據的響應次數最高為35次，數據處理響應次數最低為10次。因此，基于灰色GM模型的數據處理方法更佳。

3 結束語

基于灰色GM模型的數據壓縮方法，可以實現數據的精準處理，能夠合理規(guī)避壓縮數據產生的數據處理誤差。未來應當對數據的壓縮以及異常檢測進行研究，在實現了主成分更新的基礎上，盡量避免對方差矩陣進行重復計算，通過降低資源能耗進行方法計算。在此基礎上可以進一步對方法實現改進，使得數據處理過程更加簡潔。

參考文獻：

[1] 劉永利，劉云鵬.實時數據處理系統(tǒng)自主閉環(huán)測試驗證技術研究[J].軟件工程，2021，24（3）：2-7.

[2] 潘璇，徐思涵，蔡祥睿，等.基于深度學習的數據庫自然語言接口綜述[J].計算機研究與發(fā)展，2021，58（9）：1925-1950.

[3] 王英.基于OECD個人數據分類的“通知——同意”原則的有效性困境與出路[J].現代情報，2021，41（3）：168-177.

[4] 解明陽，陳新軍.基于不同階數灰色系統(tǒng)模型的北太平洋柔魚資源豐度預測[J].上海海洋大學學報，2021，30（4）：755-762.

[5] 劉智祿，王慧麗.基于GM模型和BP神經網絡的西安市房價分析與預測[J].西安石油大學學報（社會科學版），2019，28（5）：9-14.

【通聯編輯：張薇】