基于Python语言的可视化空间数据库智能查询系统

董玉霞，苏荣聪

(泉州信息工程学院 软件学院，福建 泉州 352000)

0 引言

随着云媒体和多媒体信息技术的发展，在云计算平台中构建可视化空间数据库，结合大数据融合和特征分布式调度，实现可视化空间数据库的优化存储和传输，从而提高大数据信息管理能力.因此,可视化空间数据库被广泛应用于数据库管理和大数据融合集成，研究可视化空间数据库异构智能化查询技术，通过空间分布式融合和特征聚类分析，构建可视化空间数据库的智能查询的模型，提高数据融合和特征检测能力，相关的可视化空间数据库查询方法研究在数据存储和管理中具有重要意义[1].

研究可视化空间数据库智能查询系统设计是建立在对数据的特征重构和数据挖掘的基础上，结合对可视化空间数据库的差异性特征聚类分析结果，通过模糊度扩展分析，实现对可视化空间数据库智能查询.当前，对可视化空间数据库智能查询的方法主要有主成分特征分析的数据查询方法、基于相似度特征融合的数据查询方法及基于资源信息融合共享的数据查询方法等[2-4]，建立可视化空间数据库智能查询的相似度特征分布函数，采用空间数据云计算技术，实现可视化空间数据库智能查询.但是,上述方法进行可视化空间数据库智能查询的错误率较高，导致查准率较低.

针对上述问题，设计基于Python语言的可视化空间数据库智能查询算法及系统.构建可视化空间数据库的异构存储结构模型，实现对可视化空间数据库的差异性数据聚类，根据数据的异构聚类结果，结合随机自适应调度和子空间压缩方法，实现对可视化空间数据库的智能查询，提高可视化空间数据库查询数据的特征聚类性.最后进行仿真测试分析，展示了本文方法在提高可视化空间数据库智能查询能力方面的优越性能.

1 可视化空间数据库存储结构模型和特征分析

1.1 可视化空间数据库存储结构模型

为了实现基于Python语言的可视化空间数据库智能查询系统优化设计，基于Python语言交叉编译和仿真分析，构建可视化空间数据库智能查询算法，采用嵌入式的交叉编译算法[5]，进行可视化空间数据库存储的异构查询系统设计.构建可视化空间数据库的异构存储结构模型，如图1所示.

图1 可视化空间数据库的异构存储结构模型

假设R为可视化空间数据库的布隆过滤参数分布集，用四元组(Ei,Ej,d,t)的可视化空间数据库存储的有向图分布模型，通过泛化性扩展查询方法[7]，得到可视化空间数据库的特征分类属性A={A1,A2,…,Am}.采用图2所示的决策树模型进行可视化空间数据库查询的特征分解.

图2 可视化空间数据库查询的特征分解决策树

在图2中，结合异构融合和关联规则检测，在粗糙集模式下，得到可视化空间数据库查询的隐藏层加权特征分量

(1)

1.2 可视化空间数据特征分析

采用分布式大数据信息融合和特征重组技术实现对可视化空间数据库的异构融合设计，挖掘可视化空间数据库的关联规则和空间谱分布集[9];通过融合度聚类分析，进行可视化空间数据库的异构样本特征分解，得到可视化空间数据库查询优化指标(RT1,RT2);可视化空间数据库的异构样本(u,v)∈E，采用五元组O=(C,I,P,Hc,R)表示可视化空间数据库查询的输出容量.其中，C为数据查询的负载量，I是可视化空间数据库存储结构信息特征量.将数据集加载到 Spark SQL，得到数据异构查询的特征分布流

(2)

式中，p为对应项集列中项集所在的事务集，n(t)为泛化性扩展查询的特征干扰项，si(t)为可视化空间数据库存储的离散特征量，a(θi)为每次支持度都要访问一次数据的多普勒窗口长度.此时通过匹配检测自适应寻优，得到可视化空间数据库查询输出的有限域

(3)

(4)

(5)

式中，Mh为可视化空间数据库差异性分布负载量.在产生一组聚类属性特征V后，采用关联规则挖掘和融合聚类，得到可视化空间数据库差异性查询的量化特征分布集[11].

2 可视化空间数据库查询优化

2.1 可视化空间数据查询输出聚类处理

挖掘可视化空间数据库的关联规则特征分布集，采用模糊度检测和K均值聚类方法，实现对可视化空间数据库的差异性数据聚类.根据数据的异构聚类结果[12]，可视化空间数据库的差异性数据聚类的窗口系数W给定时，得到数据查询输出的联合概率密度函数

(6)

(7)

采用随机森林算法进行可视化空间数据库的主题词信息融合[13]，可视化空间数据库的模式分析向量α=pπ/2.求解皮尔逊相关系数：

L=(c+mk)+E(a)+Xk.

(8)

(9)

根据上述分析，实现可视化空间数据查询输出聚类处理[14].

2.2 可视化空间数据库查询输出优化设计

(10)

式中，gj为特征向量相关程度参数，实现对可视化空间数据库查询的属性分析，分类模型为w(b).通过融合聚簇特征分析方法，以离散程度较差的特征向量作为测试集，得到可视化空间数据库查询的传输信道容量,记为

yj(d)=an+x(k-1),…,x(k-M)+D.

(11)

式中,an表示可视化空间数据库查询的交叉融合特征分布集.在空间近邻样本中，通过模糊隶属度特征检测，得到可视化空间数据库当前特征子空间中的距离，为x(k-1),…,x(k-M).数据查询的融合奇异值分布为

Ψ(h)=ωk+(p(i)+p(x))+yj(d).

(12)

式中，ωk满足n个稳定特征解，p(i)、p(x)为随机自适应调度和子空间压缩方法参数，实现对可视化空间数据库的智能查询.把s(t)→s(t)、s(t)→s(f) 代入可视化空间数据库的查询离散分布序列，得到训练数据和测试数据融合输出

wh(g)=n+m(x,y)+Ψ(h).

(13)

当前特征子空间中信息查询的时间分布满足n∈[n1,n2].采用代价函数m(x,y)作为可视化空间数据库查询的差异性调节系数，得到抽取特征子集

(14)

式中，iz为可视化空间数据库的查询特征参数，a(s)、a(e)为异构存储优化设计和特征聚类分析参数.从而实现对可视化空间数据库的智能查询，提高可视化空间数据库查询数据的特征聚类性.算法的实现流程如图3所示.

图3 算法的实现流程

3 仿真测试分析

为了验证本文方法在实现可视化空间数据库智能查询的应用性能，进行仿真测试分析.实验采用Python语言编程设计，将可视化空间数据库的数据查询网格划分为12个网格，每个分块区域的数据片大小为24 kb，可视化空间数据库的数据分布大小为1 024，可视化空间数据库特征采样的时间延迟τ=5 ms，数据集划分为训练数据和测试数据.根据上述参数设定，进行可视化空间数据库查询，得到样本数据分布，如图4所示.

图4 可视化空间数据库的样本数据分布

以图4 的数据为测试对象，实现对可视化空间数据库查询数据融合聚类分析，得到的聚类结果如图5所示.

图5 可视化空间数据库查询聚类结果

分析图5，得知本文方法进行可视化空间数据库查询的特征聚类性较好，测试不同方法进行可视化空间数据库智能查询的错误率，得到的对比结果如图6所示.

图6 数据查询错误率测试

分析图6，得知本文方法进行可视化空间数据库查询的错误率在0.10以内，错误率较低，查全率和查准率较高，提高了数据的可靠性查询能力.

4 结论

1)为了提高可视化空间数据库智能查询能力，设计基于Python语言的可视化空间数据库智能查询系统.

2)采用分布式大数据信息融合和特征重组技术实现对可视化空间数据库的异构融合设计，挖掘可视化空间数据库的关联规则和空间谱分布集，采用关联规则挖掘和融合聚类，得到可视化空间数据库差异性查询的量化特征分布集.根据数据的异构聚类结果，结合随机自适应调度和子空间压缩方法，实现对可视化空间数据库的融合解析特征分析.

3)分析得知，采用本文方法进行可视化空间数据库查询的错误率在0.10以内，错误率较低，提高了数据的查准率.