具有时间约束层流特征的美术图形符号化设计

张海敏

(安徽工程大学 艺术学院，安徽 芜湖 241000)

在对符号时间约束问题进行分析时，其难点在于应当通过何种方式从流数据中有效的提取其中的嵌入信息，要求运用最佳的原始流数据分割方法[1-2].结合当前的研究成果能够发现，在当前已有的时间约束分析方法中，应用最为普遍的为离散付式变换(DFT)[3-4]、分段聚合近似(PAA)[5]、自适应分段常数近似(APCA)[6]等.在众多符号表示方法中，都存在着其特有优势与不足.RLA实现了对此类问题的有效解决，对于上述问题中存在的缺陷进行了有效的完善，算法性能得到了提高，因此社会各界对该方法表示了极大的关注[7].但是这种方法也存在不足之处，仅能够用于分析方差较小，这就难以实现对流数据细微特征的有效反映，甚至得到的结果可能为错误结果.

本文提出了基于时间约束层流特征矢量美术图形符号化TCLC算法，将其应用到流数据美术图形符号过程中.通过流数据时间约束层流特征的均值与方差水平，实现对其”平均值”与”发散程度”的衡量指标，将时间约束符号视为矢量，得到与之相对的符号矢量.此时分析其“平均值”特征时，通过时间约束子段均值作为指标，方差水平则用以刻画其发散程度.两个分量的矢量和，则表示了该时间约束符号具有的总体特征.通过仿真实验能够得出，与RLA算法相比，本文的TCLC算法表现出了更好的相似搜索效果.

1 SFVS(时间约束层流特征矢量美术图形符号化)算法

1.1 算法描述

在RLA算法中容易丢失重要的极值信息，为了改进这一不足，提出了TCLC算法，该方法的主要实现思路为；首先以各字符对应时间约束子段的极大极小值视为新的字符表示,由此，原来的由一个RLA字符所表示的时间约束子段，此时变为由3个字符进行表示.本文对此方案进行了验证分析(见表1)，结果发现该方法的效果也相对有限，主要是人为因素所导致的信息失真，同时给予符号数也扩大了，那么计算代价也会大大增加.故此，本文综合相关的理论研究以及实践结论，通过对其他方面进行改善以实现对RLA算法中信息丢失问题的有效解决.

表1 TCLC与RLA运行时间比较

基于对于大部分流数据而言，都可将其视为随机序列，因此，时间约束分析可视为是对于观测得到的时间约束的统计分析.并且可利用统计分析的均值和方差水平进行确认和分析.本文所提出的TCLC算法主要实现思路为：通过时间约束层流特征的均值与方差水平的分析，来对其平均值以及其具有的发散程度进行分析，此时，可将时间约束符号视为是一个矢量.由此，流数据美术图形符号化的实现过程中，就相当于使得将时间约束子段进行转化，得到对应的符号矢量，其中含有两个分量.两个分量组成了矢量和，通过这种方式能够从不同的角度对时间约束符号具有的特征进行分析.故此，能够实现对其特征的全面描述.本文的TCLC方法与RLA方法相比，能够实现更加详细的描述，此时与之相对应的数学描述为

(1)

(2)

上式中，Cj-1,Cj依次表示了第i个字符划分区具有的下、上限.

则此时可将式(1)、式(2)落入不同的划分区间的Xi，Si值进行转化，得到与之相对的符号分量.此时，Xi表示第i个时间约束子段的均值，Si属于相应时间约束子段方差s：

(3)

1.2 符号距离计算

本文考虑美术图形符号化的具体实现过程，首先通过PAA方法实现降维，随后求取方差，由此实现了预处理过程，此时可通过下式表述两个原始时间约束A,B的欧氏距离

(4)

式中的d代表数据的维数，相应的预处理时间约束A′,B′的距离则为

(5)

能够得出，预处理时间约束A′,B′的距离与A,B的欧式距离，两者间是存在如下关系：

D(A,B)≥DR(A′,B′)

(6)

(7)

考虑到本文其中的符号包含两个分量，可得出下面的式子：

(8)

在此基础上，能够得到与之相对的原始时间约束的具有的最小距离为

(9)

而且还可论证，在预处理时间约束和符号时间约束距离，两者间是存在如下关系：

(10)

综合考虑式(10)及式(6)可得

(11)

说明通过SFVS方法得到的符号距离，为与之对应的欧式距离的下限.

2 仿真实验

本文通过实验对本文算法进行有效的验证，对于TCLC与两RLA种方法的运行时间代价对比.经过20次实验之后得到表2中的均值结果，结果表明TCLC的计算代价要更大一些，具体表现为RLA方法的3倍左右.

2.1 相似查询

经过相似查询实验之后，对于RLA、TCLC两种方法的分析，可以从其他角度对于两种方法，各自的特征进行分析.用Brute_Force算法,能够在流数据集T中或者说一定的范围、或者阈值内，即可得到和给定长度标准子串Ti相匹配的子序列Tj.如图1所示，属于一个十分典型的案例.

如图1(a)所示，代表了通过RLA方法时，得到了通过RLA方法进行相似性查询时，得到的结果片段.在左图中，属于查询串；右图进行相似查询时，能够得到异常结果.图1(b)表示的是对于同一数据集，进行近似查询时，通过TCLC方法能够确定.综合上述分析能够得出，其中有效避免了RLA方法中存在的不足.

(a)The RLA symbol is used for similar queries

(b)The TCLC symbol is used for similar queries

表2所示的为对表1中数据集进行异常检测时，20次实验的平均结果，为了简化过程同时增强其可比性，在表2的3～6列表示的是在异常检测实验中，所得到的异常检测漏检率，以及进行相似查询时得到的误检率.在7,8列则是对两种方法具有的运行时间进行了记录、分析.

表2 TCLC与RLA应用比较

经过本文实验能够得出，本文的TCLC算法和RLA相比具有的整体性能更优，不管是在进行相似查询亦或者是进行异常检测，所得到的结果都是更优的，结合表2中的3、4两列能够发现，在异常检测中，TCLC方法的漏检率水平更低，要低于RLA方法，主要原因在于，当采用RLA方法来进行检测时，本质上是需要对两个符号相对应的时间约束子段平均值距离来进行检测，假如该距离与阈值相比较小时，则此时能够判定被检测时间约束子段属于正常的，而在TCLC方法中，尽管两个符号对应的均值分量都是小于阈值的,但是最后两个符号的矢量距离可能大于阈值，此时的检测结果出现异常.在表5、6两列表示了进行相似查询的实验对比结果.最终显示，TCLC的误检率更低，最起码不会超过RLA方法.在表2中7，8列表示的是两种算法具有的平均实验运行时间.结果显示，TCLC方法所增加的计算代价远远低于RLA方法.故此，基于计算代价以及算法精度两个角度进行分析，能够得出从综合角度分析，TCLC算法比RLA算法要具有更好的性能，优势更加突出.

3 结论

为了改进RLA方法在进行符号时间约束中存在诸多不足,本文提出了TCLC算法.在TCLC算法中，主要是加入了两个时间约束层流特征分量使得RLA标量能够经过符号化处理转化得到矢量符号.基于TCLC方法中，得到的描述信息更多.因此，在处理时间约束分析方面具有更好的优势，而且通过实验对比，也验证了该方法的有效性.

[1] KARAOULIS M，REVIL A，MINSLEY B，et al.Time-lapse gravity inversion with an active time constraint[J].Geophysical Journal International，2014,196(2)：748-759.

[2] EISENBEISS M，WILKEN R，SKIERA B，et al.The interplay of discount and time constraint with product type[J].International Journal of Research in Marketing，2015,32(4)：387-397.

[3] AN Y J，KIM Y D,CHOI S W.Minimizing makespan in a two-machine flowshop with a limited waiting time constraint and sequence-dependent setup times[J].Computers & Operations Research，2016,71：127-136.

[4] ROACH V，KRYKLYWY J，MITCHELL D,et al.Knowing Your Limits：How a Time Constraint May Impact Spatial Reasoning[J].The FASEB Journal，2015，29(1)：689-695.

[5] BELLING P K，SUSS J，WARD P.The effect of time constraint on anticipation，decision making，and option generation in complex and dynamic environments[J].Cognition，Technology & Work，2015，17(3)：355-366.

[6] BAGLOEE S A,ASADI M.Prioritizing road extension projects with interdependent benefits under time constraint[J].Transportation Research Part A：Policy and Practice,2015,75：196-216.

[7] PARK S，O’LEARY D P.A polynomial time constraint-reduced algorithm for semidefinite optimization problems[J].Journal of Optimization Theory and Applications,2015，166(2)：558-571.