基于march算法的网络多维数据优化存储方法

doi:10.16039/j.cnki.cn22-1249.2021.09.015

下载:

PDF (547KB)
输出: BibTeX | EndNote (RIS)

摘要

传统的多维数据优化存储方法存在存储性能较差，信噪比较低的问题。为此，提出一种基于march算法的网络多维数据优化存储方法。根据映射函数，对网络多维数据进行映射函数整数编码；通过映射获得多维数组的坐标值，完成维数据组织构建；依据二进制编码获取更高的网络多维数据存储效率；利用顺序存储与分块存储完成度量数据组织，通过块的压缩存储节约数据存储占用空间；利用march算法测试网络多维数据存储方法，完成存储方法的优化。实验结果表明，在不同压缩比时，该方法在数据存储过程中的最高信噪比可达96；在不同稀疏度时，该方法在数据存储过程中的信噪比依旧较高，具备较优的数据存储性能。

	服务
	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	（）
	作者相关文章
	胡茂美

关键词: Maarch算法网络多维数据优化存储维数据度量数据

Abstract:

The traditional multi-dimensional data optimized storage methods have the problems of poor storage performance and low signal-to-noise ratio. Therefore, a network multidimensional data optimal storage method based on March algorithm is proposed. According to the mapping function, the network multidimensional data is encoded by integer mapping function.The coordinate values of multidimensional array are obtained by mapping to complete the construction of dimensional data organization. Higher storage efficiency of network multidimensional data is obtained according to binary coding; Sequential storage and block storage are used to organize measurement data, and the occupied space of data storage is saved through block compression storage. Use March algorithm to test the network multidimensional data storage method and complete the optimization of the storage method. The experimental results show that the maximum signal-to-noise ratio of this method in the data storage process can reach 96 at different compression ratios. At different sparsity, the signal-to-noise ratio of this method is still high in the data storage process, and has better data storage performance.

Key words: Maarch algorithm Network Multidimensional data Optimized storage D data Measurement data

出版日期: 2021-09-25 发布日期: 2021-09-25 整期出版日期: 2021-09-25

ZTFLH:

TP311.13

引用本文:

胡茂美. 基于march算法的网络多维数据优化存储方法 [J]. 吉林化工学院学报, 2021, 38(9): 78-81.
HU Maomei. Optimal Network Multidimensional Data Storage Method Based on MARCH Algorithm . Journal of Jilin Institute of Chemical Technology, 2021, 38(9): 78-81.

链接本文:

http://xuebao.jlict.edu.cn/CN/10.16039/j.cnki.cn22-1249.2021.09.015 或 http://xuebao.jlict.edu.cn/CN/Y2021/V38/I9/78

[1]	董艺, 路云龙. 基于相关性分析和主成分分析的基因调控网络研究 [J]. 吉林化工学院学报, 2021, 38(9): 112-116.
[2]	白雪, 赵亮. 基于大学生在线临场感水平调查的计算机公共课网络学习空间构建策略研究 [J]. 吉林化工学院学报, 2021, 38(8): 33-38.
[3]	白雪. 基于在线临场感的计算机公共课网络学习空间创设与应用探析 [J]. 吉林化工学院学报, 2021, 38(6): 28-34.
[4]	安华萍, 李龙亮. 即时通信网络中路由节点覆盖控制优化方法 [J]. 吉林化工学院学报, 2021, 38(5): 17-22.
[5]	王影, 徐姣姣, 刘麒, 张野. 基于线上线下混合式大班翻转的单片机教学改革 [J]. 吉林化工学院学报, 2021, 38(4): 14-18.
[6]	张虹, 张薇, 刘博. 新型混合学习模式下“微学习”数字化资源建设及其效用评价研究 [J]. 吉林化工学院学报, 2021, 38(4): 10-13.
[7]	丁文乔, 王楠楠. 基于网络教学平台的“遗传学”混合式教学模式探索 [J]. 吉林化工学院学报, 2021, 38(4): 27-29.
[8]	白雪. 基于网络学习行为聚类分析的在线课堂优化策略研究 [J]. 吉林化工学院学报, 2020, 37(8): 44-48.
[9]	佀庆波, 金范龙. 聚氨酯/三聚氰胺甲醛树脂互穿网络硬质泡沫性能的研究 [J]. 吉林化工学院学报, 2020, 37(7): 68-71.
[10]	陶忠良. 基于无线传感网络收集设备最佳传输策略研究 [J]. 吉林化工学院学报, 2020, 37(3): 91-95.
[11]	钟楚轶, 朱建军. 人体活动识别数据集的数据处理方法 [J]. 吉林化工学院学报, 2020, 37(3): 81-84.
[12]	田德宝, 郝思琦, 赵云伟, 陈芳芳, 孙国栋. 网络式气动软体驱动器设计、制造与实验 [J]. 吉林化工学院学报, 2020, 37(11): 61-64.
[13]	祖国晶, 卢合欢, 武利顺, 童庆松. 聚乙烯醇-聚丙烯酰胺互穿网络水凝胶的制备及吸附性能 [J]. 吉林化工学院学报, 2020, 37(1): 1-7.
[14]	孙中全. 无线传感网络设施粮仓温湿度监测系统的实现 [J]. 吉林化工学院学报, 2019, 36(9): 86-90.
[15]	王影, 梁凯, 刘麒, 李硕, 苟垚, 李宝华, 刘锦然. 基于Zigbee网络的智能播种机器人关键技术研究 [J]. 吉林化工学院学报, 2019, 36(7): 48-51.