CN112818046B - 一种基于轨交云控的非时空数据变换归集处理系统及方法 - Google Patents
一种基于轨交云控的非时空数据变换归集处理系统及方法 Download PDFInfo
- Publication number
- CN112818046B CN112818046B CN202110095542.1A CN202110095542A CN112818046B CN 112818046 B CN112818046 B CN 112818046B CN 202110095542 A CN202110095542 A CN 202110095542A CN 112818046 B CN112818046 B CN 112818046B
- Authority
- CN
- China
- Prior art keywords
- data
- transformation
- frame
- model
- parity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2246—Trees, e.g. B+trees
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明公开了一种基于轨交云控的非时空数据变换归集处理系统及方法,包括,无人驾驶系统以及应用在无人驾驶系统的数据收集处理系统,其中,数据收集处理系统,包括,数据收集单元、数据奇偶变换处理单元、数据存储单元;数据收集单元与数据奇偶变换处理单元连接;数据奇偶变换处理单元与数据存储单元连接;数据收集处理系统,通过数据收集单元收集无人驾驶系统的非时空数据,并将非时空数据进行映射得到数据帧模型,通过数据奇偶变换处理单元对数据帧模型进行奇偶变换后,存储到数据存储单元,本发明使得无人驾驶系统收集的数据得到了有效的归集,方便数据的溯源与管理,为无人驾驶系统的运行节省了存储空间吗,提高了无人驾驶系统的数据调用效率。
Description
技术领域
本发明属于数据存储领域,涉及一种基于轨交云控的非时空数据变换归集处理系统及方法。
背景技术
随着信息物理融合系统和数字孪生技术的飞速发展,描述人类活动的客观世界和活动特征主要采用符号、数字、文本、图形和图像等方式。由此而产生的多源、异构、海量、高维数据具有时间、空间及其属性等时空特性,但仍有非时空数据的存在,这对数据分析和处理带来极大的困难。非时空数据相互之间存在一种或多种特定关系的集合,计算机往往只能采用检索算法和索引技术来处理。本发明针对具有时间、空间相关联的非线性的非时空数据进行奇偶特性的变换,在多叉树(至少十叉树)非线性构建基础之上,重新完成非时空数据对于事件的描述。这对于数字地球、智能交通、数字工厂等方面的信息变化数据描述及其数据挖掘,带来巨大的价值,也对非时空数据的时空模式自主抽取具有重要应用意义。
非时空数据中的事件关系和空间关系极为复杂,主要体现在不可度量的事件关系和空间关系隐含于其中。由于非时空数据的非线性、不确定和模糊等特征,需要对非时空数据进行线性化、结构化和时空化,这样更有利于对非时空数据进行技术上的整合、清晰、转换和提取。
非时空数据本身可以描述物质运动与事件变化。非时空数据仍有大小的,这由选择的时间区间决定。时间粒度越小,包含的时间点越多,分辨率越高,它对事件信息变化的描述也就越精细,相应数据量越大。非时空数据仍有空间关联,一般是结合时间特性和空间特性的关联,具有同时性和一体性的特征。现阶段对于非时空数据的应用还处于初级阶段,急需一种对于非时空数据的处理方法,使非时空数据能够应用于现有技术中,用于解决现有技术的数据存储问题。
发明内容
为了解决上述问题,本发明将无人驾驶系统的非时空数据作为一个数据包,将非时空数据中的时间和空间进行先拆分后关联;进而进行时间匹配,再对空间进行匹配,或者先进行空间约束,再考虑时间上的约束,实现了非时空数据的现实应用。
本发明提供一种基于轨交云控的非时空数据变换归集处理系统,包括:
无人驾驶系统以及应用在无人驾驶系统的数据收集处理系统,其中,数据收集处理系统,包括,数据收集单元、数据奇偶变换处理单元、数据存储单元;数据收集单元与数据奇偶变换处理单元连接;数据奇偶变换处理单元与数据存储单元连接;数据收集处理系统,通过数据收集单元收集无人驾驶系统的非时空数据,并将非时空数据进行映射得到数据帧模型,通过数据奇偶变换处理单元对数据帧模型进行奇偶变换后,存储到数据存储单元,其中,数据帧模型包括奇数帧和偶数帧,奇数帧和偶数帧大于1。
优选地,数据奇偶变换处理单元,用于将奇数帧和偶数帧变化为等于1的数据帧。
优选地,数据奇偶变换处理单元,包括,奇数帧数据变换处理单元和偶数帧数据变换处理单元;偶数帧数据变换处理单元,用于将偶数帧进行二分之一处理;奇数帧数据变换处理单元,用于将奇数帧乘三加一后进行二分之一处理。
优选地,数据奇偶变换处理单元,还包括,奇偶变换次数计数单元、奇偶变换结构序列生成单元、奇偶变换次数序列生成单元、奇偶变换结果生成单元、奇偶变换结果最大变换次数计数单元;
数据奇偶变换处理单元,根据奇偶变换次数计数单元记录的变换次数,通过奇偶变换结构序列生成单元生成奇偶变换结果序列;
奇偶变换次数序列生成单元,用于依据奇偶变换结果序列,基于变换次数,通过奇偶变换次数序列生成单元获得奇偶变换次数序列;
奇偶变换结果生成单元,用于基于奇偶变换次数序列,获得奇偶变换结果;
奇偶变换结果最大变换次数计数单元,用于根据奇偶变换结果,获得奇偶变换结果的最大变换次数。
一种基于轨交云控的非时空数据变换归集处理方法,包括以下步骤:
S1.收集无人驾驶系统的非时空数据,对非时空数据映射,获得数据帧模型;
S2.基于数据帧模型的奇数帧,通过对奇数帧乘三加一并进行二分之一处理,得到奇数帧处理模型;
S3.基于数据帧模型的偶数帧,通过对偶数帧进行二分之一处理后,得到偶数帧处理模型;
S4.基于奇偶变换次数计数单元,通过奇偶变换结构序列生成单元,构建奇偶变换结构序列模型;
S5.基于奇偶变换次数计数单元的变换次数,通过奇偶变换结构序列模型,构建奇偶变换次数序列模型;
S6.基于奇偶变换次数序列模型,构建奇偶变换次数模型,其中,奇偶变换次数模型用于获得奇偶变换结果和最大变换次数;
S7.基于奇数帧处理模型、偶数帧处理模型、奇偶变换次数模型,构建多叉树非线性数据处理模型,用于对非时空数据进行奇偶分解并进行奇偶变换后,将变换结果存储到数据存储单元。
优选地,奇偶变换的处理过程为将大于1的数据帧,变换为等于1的数据帧。
优选地,S7还包括,对变换结果进行重构复原,包括以下步骤:
S7.1.基于数据帧模型,构建数据帧表达模型,其中,数据帧表达模型包括,高位表达模型和低位表达模型;
S7.2.基于高位表达模型的奇数帧、偶数帧,构建高位表达奇数帧变换模型和高位表达偶数帧变换模型;
S7.3.基于低位变大模型的奇数帧、偶数帧,构建低位表达奇数帧变换模型和低位表达偶数帧变换模型;
S7.4.基于高位表达奇数帧变换模型和低位表达奇数帧变换模型,构建奇数帧变换分析模型;
S7.5.基于对高位表达偶数帧变换模型和低位表达偶数帧变换模型,构建偶数帧变换分析模型;
S7.6.基于奇数帧变换分析模型和偶数帧变换分析模型,构建变换结构重构复原分析模型,用于对变换结果进行重构复原分析。
优选地,S7.1包括,数据帧表达模型至少包括第一数据帧集合、第二数据帧集合、第三数据帧集合;
高位表达模型包括第三数据帧集合;
低位表达模型包括第一数据帧集合和第二数据帧集合。
优选地,第一数据帧集合包括最多10个数据帧元素;每个数据帧元素的标号为非负一位整数。
本发明的积极进步效果在于:本发明公开的一种用于无人驾驶系统的非时空数据收集处理系统及方法,使得无人驾驶系统收集的数据得到了有效的归集,方便数据的溯源与管理,为无人驾驶系统的运行节省了存储空间吗,提高了无人驾驶系统的数据调用效率。
附图说明
图1为本发明所述的非时空数据奇偶变换的示意图;
图2为本发明所述的部分程序构架图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。用于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本发明提供了一个非时空数据在转换为计算机系统所能识别分析与处理的数据包后,非时空数据采用线性结构的奇偶变换方法,实现时空数据分析方法的重构和变换后的应用。任取一个非时空数据均可相应地视为一个大于1的数据帧N。在对该非时空数据映射的数据帧N经mc次奇偶变换,其最后结果仍为1,进而实现了非时空数据奇偶变换后的完全复原。
如图1-2所示,本发明提供一种基于轨交云控的非时空数据变换归集处理系统,包括:
无人驾驶系统以及应用在无人驾驶系统的数据收集处理系统,其中,数据收集处理系统,包括,数据收集单元、数据奇偶变换处理单元、数据存储单元;数据收集单元与数据奇偶变换处理单元连接;数据奇偶变换处理单元与数据存储单元连接;数据收集处理系统,通过数据收集单元收集无人驾驶系统的非时空数据,并将非时空数据进行映射得到数据帧模型,通过数据奇偶变换处理单元对数据帧模型进行奇偶变换后,存储到数据存储单元,其中,数据帧模型包括奇数帧和偶数帧,奇数帧和偶数帧大于1。
数据奇偶变换处理单元,用于将奇数帧和偶数帧变化为等于1的数据帧。
数据奇偶变换处理单元,包括,奇数帧数据变换处理单元和偶数帧数据变换处理单元;偶数帧数据变换处理单元,用于将偶数帧进行二分之一处理;奇数帧数据变换处理单元,用于将奇数帧乘三加一后进行二分之一处理。
数据奇偶变换处理单元,还包括,奇偶变换次数计数单元、奇偶变换结构序列生成单元、奇偶变换次数序列生成单元、奇偶变换结果生成单元、奇偶变换结果最大变换次数计数单元;数据奇偶变换处理单元,根据奇偶变换次数计数单元记录的变换次数,通过奇偶变换结构序列生成单元生成奇偶变换结果序列;奇偶变换次数序列生成单元,用于依据奇偶变换结果序列,基于变换次数,通过奇偶变换次数序列生成单元获得奇偶变换次数序列;奇偶变换结果生成单元,用于基于奇偶变换次数序列,获得奇偶变换结果;奇偶变换结果最大变换次数计数单元,用于根据奇偶变换结果,获得奇偶变换结果的最大变换次数。
一种基于轨交云控的非时空数据变换归集处理方法,包括以下步骤:
S1.收集无人驾驶系统的非时空数据,对非时空数据映射,获得数据帧模型;
S2.基于数据帧模型的奇数帧,通过对奇数帧乘三加一并进行二分之一处理,得到奇数帧处理模型;
S3.基于数据帧模型的偶数帧,通过对偶数帧进行二分之一处理后,得到偶数帧处理模型;
S4.基于奇偶变换次数计数单元,通过奇偶变换结构序列生成单元,构建奇偶变换结构序列模型;
S5.基于奇偶变换次数计数单元的变换次数,通过奇偶变换结构序列模型,构建奇偶变换次数序列模型;
S6.基于奇偶变换次数序列模型,构建奇偶变换次数模型,其中,奇偶变换次数模型用于获得奇偶变换结果和最大变换次数;
S7.基于奇数帧处理模型、偶数帧处理模型、奇偶变换次数模型,构建多叉树非线性数据处理模型,用于对非时空数据进行奇偶分解并进行奇偶变换后,将变换结果存储到数据存储单元。
奇偶变换的处理过程为将大于1的数据帧,变换为等于1的数据帧。
S7还包括,对变换结果进行重构复原,包括以下步骤:
S7.1.基于数据帧模型,构建数据帧表达模型,其中,数据帧表达模型包括,高位表达模型和低位表达模型;
S7.2.基于高位表达模型的奇数帧、偶数帧,构建高位表达奇数帧变换模型和高位表达偶数帧变换模型;
S7.3.基于低位变大模型的奇数帧、偶数帧,构建低位表达奇数帧变换模型和低位表达偶数帧变换模型;
S7.4.基于高位表达奇数帧变换模型和低位表达奇数帧变换模型,构建奇数帧变换分析模型;
S7.5.基于对高位表达偶数帧变换模型和低位表达偶数帧变换模型,构建偶数帧变换分析模型;
S7.6.基于奇数帧变换分析模型和偶数帧变换分析模型,构建变换结构重构复原分析模型,用于对变换结果进行重构复原分析。
S7.1包括,数据帧表达模型至少包括第一数据帧集合、第二数据帧集合、第三数据帧集合;高位表达模型包括第三数据帧集合;低位表达模型包括第一数据帧集合和第二数据帧集合。
第一数据帧集合包括最多10个数据帧元素;每个数据帧元素的标号为非负一位整数。
任一非时空数据在计算机系统中可视为一个数据包。经过计算机系统数值化后,非时空数据转换成为一个大于1的数据帧N。如果N是偶数帧,将N除以2,即变换N/2;如果N是奇数帧,将N乘以3加1,然后除以2,即变换(3N+1)/2。从而构建了时空数据结构的偶数帧变换和技术变换,即任取一个大于1的数据帧N,如果N是偶数帧,将N除以2,即变换N/2;任取一个大于1的数据帧N,如果N是奇数帧,将N乘以3加1,然后除以2,即变换(3N+1)/2。
本发明提供了一个非时空数据在转换为计算机系统所能识别分析与处理的数据包后,非时空数据采用线性结构的奇偶变换方法,实现时空数据分析方法的重构和变换后的应用。任取一个非时空数据均可相应地视为一个大于1的数据帧N。在对该非时空数据映射的数据帧N经mc次奇偶变换,其最后结果仍为1,进而实现了非时空数据奇偶变换后的完全复原。其中,mc定义为奇偶变换次数。对于任意大于1的数据帧N,在变换到1的过程中,显然当每次变换结果都是正偶数帧时,奇偶变换次数mcMin为最小值;此时:
N=2mcMin
则mcMin=log2 N (1)
由此,当N→+∞时,即使是最小奇偶变换次数mcMin→+∞。
一个非时空数据映射的大于1的数据帧N,经msc有限次奇偶变换,其变换结果Nm<N。任取一个大于1的数据帧N,经过msc次奇偶变换,其变换结果小于数据帧N,而在前msc-1次奇偶变换中,其变换结果都大于数据帧N,则变换次数msc定义为奇偶变换次数。
该大于1的数据帧N,经mn有限次奇偶变换,其结果Nm<N。由于Nm<N,不失一般性Nm取其最大的可能数据帧N-1;N-1经mn-1有限次奇偶变换,其结果为N-2。以此类推,就得到如下:
{N,N-1,N-2...N-k+1,N-k,N-k-1,...2,1}
上述序列有N个元素。
对于上述奇偶变换结果序列,相应的奇偶变换次数序列:
{mn,mn-1,mn-2...mn-k+1,mn-k,mn-k-1...m3,m2}
该序列有N-1个元素。由此可知,N经奇偶变换到1的奇偶变换次数:
mc=mn+mn-1+...+mn-k+1+mn-k+mn-k-1+...+m3+m2
设mscMax为上述奇偶变换次数序列的最大值,则N经奇偶变换到1的最大变换次数:
mcMax<=mscMax*(N-1) (2)
在计算机系统中,采用树结构来表示时空数据的非线性。树中的一个数据元素可以有一个或者一个以上的直接后继元素,树可以用来描述客观中广泛存在的时空数据层次结构及其关系。在非时空数据处理中,对于非负整数继承十叉树的m层上任取1节点,不失一般性,假定该节点为奇偶-叶节点,该节点对应的m位数据帧Nmx为奇偶-叶整数;Nmx经m次奇偶变换,其变换结果为Nmxc,则Nmxc<Nmx必定成立。在非负整数继承十叉树n层上取一节点,该节点为前述m层奇偶-叶节点的后裔子节点,其对应的n位数据帧为Nnx,Nnx经m次奇偶变换,其变换结果为Nnxc。非时空数据映射后的数据帧在变换后,经过多叉树非线性处理后,需要判定非时空数据能否重构复原。
m位奇偶-叶整数Nmx可以作如下一般表述:
Nmx=dmdm-1...di...d3d2d1
其中di为0、1、2、3、4、5、6、7、8及9中的任一数字。由于Nnx为Nmx的n位后裔数据帧,Nnx的低m位必定也为dmdm-1...di...d3d2d1。
n位数据帧Nnx可以作如下一般表述:
Nnx=dndn-1...dm+1dmdm-1...d3d2d1
把Nnx在其m位处拆分成二部分:
Nnx=dndn-1...dm+1dmdm-1...d3d2d1
=(dndn-1...dm+1)*10m+dmdm-1...d3d2d1
设Nnx的高位部分为Nnm:
Nnm=(dndn-1...dm+1)*10m (3)
Nnx的低位部分为Nmx
Nmx=dmdm-1...d3d2d1 (4)
则Nnx=Nnm+Nmx (5)
由式(5),对Nnx作m次奇偶变换,一方面可以基于其低位部分Nmx对Nnx作m次相应的奇偶变换;另一方面,可以对Nnx低位部分Nmx及高位部分Nnm分别独立作变换。奇偶变换分为奇偶偶数帧变换和奇偶奇数帧变换;Nnx经m次奇偶变换,不失一般性,设其中奇偶偶数帧变换为i次,奇偶奇数帧变换为j次(i+j=m;i>0,j>=0)。
当Nnx为偶数帧据帧,作奇偶偶数帧变换:
Nnx/2=(Nnm+Nmx)/2=Nnm/2+Nmx/2
由上式,Nnm和Nmx分别独立进行奇偶偶数帧变换,每次奇偶偶数帧变换,Nnm和Nmx分别除以2;
Nnm的i次偶数帧变换比例系数:
Knmi=1/2i (6)
同样,Nmx的i次偶数帧变换比例系数:
Kmxi=1/2i (7)
当Nnx为奇数帧据帧,Nnx作奇偶奇数帧变换:
(3*Nnx+1)/2=(3*(Nnm+Nmx)+1)/2
即
(3*Nnx+1)/2=(3/2)*Nnm+(3*Nmx+1)/2 (8)
由(8)式,Nnx作奇偶奇数帧变换时,其低位部分Nmx同样进行奇偶奇数帧变换:Nmx乘3加1,然后除以2。
Nmx每次奇偶奇数帧变换的比例系数:
((3*Nmx+1)/2)/Nmx=(3*Nmx/2+1/2)/Nmx=3/2+1/(2*Nmx)>3/2
Nmx的j次奇偶奇数帧变换的比例系数:
Kmxj>(3/2)j (9)
Nnx作奇偶奇数帧变换时,由式(9),Nnx的高位部分Nnm并不作奇偶奇数帧变换,其每次变换的比例系数为3/2。
Nnx作j次奇偶奇数帧变换时,Nnm的j次变换比例系数:
Knmj=(3/2)j (10)
根据以上分析,Nnx经m次奇偶变换,其高位部分从Nnm变换为Nnmc
Nnmc=Knmi*Knmj*Nnm
把(6)及(10)代入上式,得:
Nnmc=(1/2)i*(3/2)j*Nnm
=(3j*Nnm)/2(i+j)
=(3j*Nnm)/2m
由此得:
Nnmc=(3j/2m)*Nnm (11)
同样,Nnx经m次奇偶变换,相应地其低位部分Nmx作m次奇偶变换,Nmx的变换结果为Nmxc。
Nmxc=Kmxi*Kmxj*Nmx
把(7)及(11)代入上式,得:
Nmxc>(1/2)i*(3/2)j*Nmx
由此得:
Nmxc>(3j/2m)*Nmx
Nmxc/Nmx>3j/2m (12)
由于Nmx为m位奇偶-叶整数,Nmx经m次奇偶变换,其变换结果Nmxc必定小于Nmx:
Nmxc<Nmx (12)
则Nmxc/Nmx<1 (13)
由(12)及(13),可以得出:
(3j/2m)<1 (14)
由(11)及(14),可以得出:
Nnmc<Nnm (15)
通过上述分析,n位数据帧Nnx可以拆分为高位部分Nnm及低位部分Nmx:
Nnx=Nnm+Nmx
对Nnx作m次奇偶变换,分别对其高位部分Nnm及低位部分Nmx作m次变换。高位部分Nnm的变换结果为Nnmc,低位部分Nmx的变换结果为Nnxc。则Nnx经m次奇偶变换,其奇偶变换结果:
Nnxc=Nnmc+Nmxc
综合(5)(16)(15)及(12)4个式:
Nnx=Nnm+Nmx (5)
Nnxc=Nnmc+Nmxc (16)
Nnmc<Nnm (15)
Nmxc<Nmx (12)
可以得出:
Nnxc<Nnx (17)
由此得到:对于m位奇偶-叶整数Nmx,其n位后裔数据帧Nnx,也必定为奇偶-叶整数;相应地,对于非负整数继承十叉树m层上的奇偶-叶节点,该节点在n层上的后裔子节点,也必定为奇偶-叶节点。
非时空数据映射一个数据帧来进行线性化、结构化和时空化。其中,m位奇偶-叶整数Nmx的奇偶变换次数是m,而其n位后裔数据帧Nnx的奇偶变换次数同样也是m,所以奇偶-叶整数的后裔数据帧的奇偶变换次数不大于该奇偶-叶整数的奇偶变换次数。对Nnx作奇偶变换,无论是奇偶偶数帧变换,还是奇偶奇数帧变换,每次奇偶变换都对Nnx的高位部分Nnm除以2,m次奇偶变换,Nnm除以2m。
根据式(3),Nnx的高位部分:
Nnm=(dndn-1...dm+1)*10m
=(dndn-1...dm+1)*5m*2m
Nnm包含2m,Nnm除以2m,其结果仍能保证是数据帧。这也正是在非时空数据结构定义奇偶-叶节点时,把奇偶-叶节点的奇偶变换次数设定为小于等于其层数的原因。
本发明方法在无人驾驶应用场景中感知获取的非时空数据进行技术实施,奇偶变换后重构形成的线性化数据表达如图1和图2所示。
结合图1和图2可知,将不同来源和结构多样化的非时空数据进行线性化、结构化和时空化。在非时空数据的具体应用中,往往出现不同非时空数据的时间起点及时间间隔完全不同,空间表达完全不同。可采用本发明方法的奇偶变换特性对各个信息(数据)分量进行变换重构,这样就可以不采用传统的函数方法来处理。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (6)
1.一种基于轨交云控的非时空数据变换归集处理系统,其特征在于,包括:
无人驾驶系统以及应用在所述无人驾驶系统的数据收集处理系统,其中,所述数据收集处理系统,包括,数据收集单元、数据奇偶变换处理单元、数据存储单元;
所述数据收集单元与所述数据奇偶变换处理单元连接;
所述数据奇偶变换处理单元与所述数据存储单元连接;
所述数据收集处理系统,通过所述数据收集单元收集所述无人驾驶系统的非时空数据,并将所述非时空数据进行映射得到数据帧模型,通过所述数据奇偶变换处理单元对所述数据帧模型进行奇偶变换后,存储到所述数据存储单元,其中,所述数据帧模型包括奇数帧和偶数帧,所述奇数帧和偶数帧大于1;
所述数据奇偶变换处理单元,用于将所述奇数帧和偶数帧变化为等于1的数据帧;
所述数据奇偶变换处理单元,包括,奇数帧数据变换处理单元和偶数帧数据变换处理单元;
所述偶数帧数据变换处理单元,用于将所述偶数帧进行二分之一处理;
所述奇数帧数据变换处理单元,用于将所述奇数帧乘三加一后进行二分之一处理;
所述数据奇偶变换处理单元,还包括,奇偶变换次数计数单元、奇偶变换结构序列生成单元、奇偶变换次数序列生成单元、奇偶变换结果生成单元、奇偶变换结果最大变换次数计数单元;
所述数据奇偶变换处理单元,根据所述奇偶变换次数计数单元记录的变换次数,通过所述奇偶变换结构序列生成单元生成奇偶变换结果序列;
所述奇偶变换次数序列生成单元,用于依据所述奇偶变换结果序列,基于所述变换次数,通过所述奇偶变换次数序列生成单元获得奇偶变换次数序列;
所述奇偶变换结果生成单元,用于基于所述奇偶变换次数序列,获得奇偶变换结果;
所述奇偶变换结果最大变换次数计数单元,用于根据所述奇偶变换结果,获得所述奇偶变换结果的最大变换次数。
2.一种基于轨交云控的非时空数据变换归集处理方法,该方法应用于如权利要求1所述的一种基于轨交云控的非时空数据变换归集处理系统,其特征在于,包括以下步骤:
S1.收集所述无人驾驶系统的所述非时空数据,对所述非时空数据映射,获得所述数据帧模型;
S2.基于所述数据帧模型的所述奇数帧,通过对所述奇数帧乘三加一并进行二分之一处理,得到奇数帧处理模型;
S3.基于所述数据帧模型的所述偶数帧,通过对所述偶数帧进行二分之一处理后,得到偶数帧处理模型;
S4.基于所述奇偶变换次数计数单元,通过所述奇偶变换结构序列生成单元,构建奇偶变换结构序列模型;
S5.基于所述奇偶变换次数计数单元的所述变换次数,通过所述奇偶变换结构序列模型,构建奇偶变换次数序列模型;
S6.基于所述奇偶变换次数序列模型,构建奇偶变换次数模型,其中,所述奇偶变换次数模型用于获得所述奇偶变换结果和最大变换次数;
S7.基于所述奇数帧处理模型、偶数帧处理模型、奇偶变换次数模型,构建多叉树非线性数据处理模型,用于对所述非时空数据进行奇偶分解并进行奇偶变换后,将变换结果存储到所述数据存储单元;
其中,所述非时空数据进行映射得到数据帧模型的方法为:经过计算机系统数值化后,将所述时空数据转换成为一个大于1的数据帧N;
构建多叉树非线性数据处理模型的方法为:
所述多叉树非线性数据处理模型包括非负整数继承十叉树,在所述非负整数继承十叉树的m层上取任意节点,所述节点为奇偶-叶节点,所述奇偶-叶节点对应的m位所述数据帧,对m位所述数据帧进行m次奇偶变换,得到第一变化结果;
在所述非负整数继承十叉树n层上取任意节点,所述节点为所述m层奇偶-叶节点的后裔子节点,所述后裔子节点对应的n位所述数据帧,对n位所述数据帧进行m次奇偶变换,得到第二变化结果;
m位所述数据帧和n位所述数据帧均为奇偶-叶整数。
3.如权利要求2所述的一种基于轨交云控的非时空数据变换归集处理方法,其特征在于,
所述奇偶变换的处理过程为将所述大于1的所述数据帧,变换为等于1的所述数据帧。
4.如权利要求2所述一种基于轨交云控的非时空数据变换归集处理方法,其特征在于,
所述S7还包括,对所述变换结果进行重构复原,包括以下步骤:
S7.1.基于所述数据帧模型,构建数据帧表达模型,其中,所述数据帧表达模型包括,高位表达模型和低位表达模型;
S7.2.基于所述高位表达模型的奇数帧、偶数帧,构建高位表达奇数帧变换模型和高位表达偶数帧变换模型;
S7.3.基于所述低位表达模型的奇数帧、偶数帧,构建低位表达奇数帧变换模型和低位表达偶数帧变换模型;
S7.4.基于所述高位表达奇数帧变换模型和低位表达奇数帧变换模型,构建奇数帧变换分析模型;
S7.5.基于对所述高位表达偶数帧变换模型和低位表达偶数帧变换模型,构建偶数帧变换分析模型;
S7.6.基于所述奇数帧变换分析模型和偶数帧变换分析模型,构建变换结构重构复原分析模型,用于对所述变换结果进行重构复原分析。
5.如权利要求4所述一种基于轨交云控的非时空数据变换归集处理方法,其特征在于,
所述S7.1包括,所述数据帧表达模型至少包括第一数据帧集合、第二数据帧集合、第三数据帧集合;
所述高位表达模型包括所述第三数据帧集合;
所述低位表达模型包括所述第一数据帧集合和第二数据帧集合。
6.如权利要求5所述一种基于轨交云控的非时空数据变换归集处理方法,其特征在于,
所述第一数据帧集合包括最多10个数据帧元素;
每个数据帧元素的标号为非负一位整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110095542.1A CN112818046B (zh) | 2021-01-25 | 2021-01-25 | 一种基于轨交云控的非时空数据变换归集处理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110095542.1A CN112818046B (zh) | 2021-01-25 | 2021-01-25 | 一种基于轨交云控的非时空数据变换归集处理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818046A CN112818046A (zh) | 2021-05-18 |
CN112818046B true CN112818046B (zh) | 2022-09-30 |
Family
ID=75859585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110095542.1A Active CN112818046B (zh) | 2021-01-25 | 2021-01-25 | 一种基于轨交云控的非时空数据变换归集处理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818046B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004056575A (ja) * | 2002-07-22 | 2004-02-19 | Canon Inc | 動画像符号化装置及び動画像復号装置並びにそれらの方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2040903C (en) * | 1991-04-22 | 2003-10-07 | John G. Sutherland | Neural networks |
US7984037B2 (en) * | 2004-07-16 | 2011-07-19 | Canon Kabushiki Kaisha | Method for evaluating xpath-like fragment identifiers of audio-visual content |
US8130956B2 (en) * | 2007-08-02 | 2012-03-06 | International Business Machines Corporation | Efficient and low power encrypting and decrypting of data |
JP5070005B2 (ja) * | 2007-11-01 | 2012-11-07 | 株式会社日立製作所 | 演算装置および演算方法ならびにコンピュータシステム |
WO2020076049A1 (ko) * | 2018-10-08 | 2020-04-16 | 에스케이텔레콤 주식회사 | 양자화된 변환 계수들의 부호화 및 복호화를 위한 방법 및 장치 |
WO2020211755A1 (en) * | 2019-04-14 | 2020-10-22 | Beijing Bytedance Network Technology Co., Ltd. | Motion vector and prediction sample refinement |
CN111274282B (zh) * | 2020-01-07 | 2023-06-23 | 北京科技大学 | 一种空气质量挖掘系统、方法及数据采集监控装置 |
-
2021
- 2021-01-25 CN CN202110095542.1A patent/CN112818046B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004056575A (ja) * | 2002-07-22 | 2004-02-19 | Canon Inc | 動画像符号化装置及び動画像復号装置並びにそれらの方法 |
Non-Patent Citations (1)
Title |
---|
数学中的极限与连续问题及其哲学涵义;冯彪;《保山师专学报》;20090315(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112818046A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782395B (zh) | 图像处理方法及装置、电子设备和计算机可读存储介质 | |
Sfetsos et al. | Renormalization of Lorentz non-invariant actions and manifest T-duality | |
WO2017127923A1 (en) | Decoding-based method for quantum circuit optimization | |
García-Morales | Universal map for cellular automata | |
Ahlbrecht et al. | Implementation of Clifford gates in the Ising-anyon topological quantum computer | |
Yuan et al. | Spatio-temporal diffusion point processes | |
CN112818046B (zh) | 一种基于轨交云控的非时空数据变换归集处理系统及方法 | |
Vodola et al. | Twins percolation for qubit losses in topological color codes | |
Suykens | Extending Newton's law from nonlocal-in-time kinetic energy | |
Luque et al. | Entropy and renormalization in chaotic visibility graphs | |
Lu et al. | Exact reconstruction conditions for regularized modified basis pursuit | |
Zheng et al. | A temporal convolutional recurrent autoencoder based framework for compressing time series data | |
Cong et al. | Improving materials property predictions for graph neural networks with minimal feature engineering | |
Riabi et al. | β-entropy for Pareto-type distributions and related weighted distributions | |
CN113965312B (zh) | 基于三维cap星座的空间加密方法 | |
CN112487125B (zh) | 一种面向时空大数据计算的分布式空间对象组织方法 | |
Calderbank et al. | Covering properties of convolutional codes and associated lattices | |
CN109768890B (zh) | 基于stl分解法的符号化有向加权复杂网络建网方法 | |
Li et al. | Unsupervised video anomaly detection based on sparse reconstruction | |
Chalishajar et al. | Existence uniqueness and stability of nonlocal neutral stochastic differential equations with random impulses and Poisson jumps | |
Ashraphijuo et al. | Scaled nuclear norm minimization for low-rank tensor completion | |
Li et al. | Network analysis of chaotic dynamics in fixed-precision digital domain | |
Tian et al. | Optimal cyclic locally repairable codes with unbounded length from their zeros | |
CN117493786B (zh) | 一种对抗生成网络和图神经网络结合的遥感数据重构方法 | |
Liu et al. | Spatial–Temporal Dynamic Graph Convolutional Network With Interactive Learning for Traffic Forecasting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |