本发明涉及一种多路数据压缩感知立方体架构
背景技术：
随着云计算及虚拟化，呈现出“大规模”、“高密度”、“高能耗”、“复杂化”等特点，建设与发展新一代数据中心，提升数据中心基础设施管理将变得日趋重要，数据中心的基础架构融合管理与智能将成为数据中心发展的新趋势。超大型数据中心提供了从基础设施到后面的数据分析、筛选、应用的整个应用服务。不仅是数据分析，还包括与公有云提供的通用化服务不同的专门服务于智能制造的云计算，以及超级运算，这就对大数据的处理能力提出了更高要求。
能够用数据或统一的结构加以表示，我们称之为结构化数据，如数字、符号。传统的关系数据模型、行数据，存储于数据库，可用二维表结构表示。半结构化数据，就是介于完全结构化数据(如关系型数据库、面向对象数据库中的数据)和完全无结构的数据(如声音、图像文件等)之间的数据，xml、html文档就属于半结构化数据。它一般是自描述的，数据的结构和内容混在一起，没有明显的区分。非结构化数据库是指其字段长度可变，并且每个字段的记录又可以由可重复或不可重复的子字段构成的数据库，用它不仅可以处理结构化数据(如数字、符号等信息)而且更适合处理非结构化数据(全文文本、图象、声音、影视、超媒体等信息)。
数据沿一相同方向的排列称为一路阵列。标量是零路阵列的表示，行向量和列向量分别是数据沿水平和垂直方向排列的一路阵列，矩阵是数据沿水平和垂直两个方向排列的二路阵列。张量是数据的多路阵列表示，它是矩阵的一种扩展。最常用的张量为三阶张量。三阶张量也称三维矩阵。维数相同的正方三阶张量称为立方体。
三阶张量的三路阵列不以行向量、列向量等相称，而改称张量纤维。纤维是只保留一个下标可变，固定其他所有下标不变而得到的一路阵列。它们分别是三阶张量的水平纤维、竖直纤维和纵深纤维。高阶张量也可以用矩阵的集合表示。这些矩阵形成了三阶张量的水平切片、侧向切片和正面切片。在张量的分析与计算中，能够将一个三阶张量(三路阵列)经过重新组织或者排列，变成一个矩阵(二路阵列)。
矩阵有两个相伴的向量空间：列空间和行空间。奇异值分解将这两个向量空间正交化，并将矩阵分解为三个矩阵的乘积：左奇异矩阵、右奇异矩阵和中间对角奇异值矩阵。由于奇异值得作用往往比左和右奇异向量更加重要，所以奇异值矩阵可视为矩阵的核心矩阵。若将对角奇异值矩阵看作一个二阶张量，则奇异值矩阵很自然地是二阶张量的核心张量，而矩阵的三个矩阵乘积即可改为二阶张量的n-模式积。
稀疏信号是指在大多数采样时刻的取值等于零或近似等于零，只有少数采样时刻的取值明显不等于零的信号。许多自然信号在时域并不是稀疏信号，但是在某个变换域是稀疏的。这些变换工具包括fourier变换、短时fourier变换、小波变换和gabor变换等。对于稀疏的或可压缩的信号，压缩和低速率采样构成压缩感知。
本发明提供了一种多路数据压缩感知立方体架构。架构的特征为，将结构化数据、半结构化数据和非结构化数据排列成三路阵列；使用高阶奇异值分解，将三路阵列分解为二阶张量的矩阵模式；再将矩阵模式变换到稀疏域，进行数据压缩。
技术实现要素：
本发明的目的在于提供一种多路数据压缩感知立方体架构。本发明包括以下特征：
发明技术方案
1.一种多路数据压缩感知立方体架构，架构的特征：
1)将结构化数据、半结构化数据和非结构化数据排列成三路阵列；
2)使用高阶奇异值分解，将三路阵列分解为二阶张量的矩阵模式；
3)再将矩阵模式变换到稀疏域，进行数据压缩。
附图说明
附图1是多路数据压缩感知立方体架构图。
具体实施方式
这种多路数据压缩感知立方体架构，包括如下步骤特征：
1)将结构化数据、半结构化数据和非结构化数据排列成三路阵列；
2)使用高阶奇异值分解，将三路阵列分解为二阶张量的矩阵模式；
3)再将矩阵模式变换到稀疏域，进行数据压缩。