[發明專利]一種基于深度學習的界標數據壓縮傳輸方法及裝置

在審

• 申請號: 202110575366.1
• 申請日: 2021-05-26
• 公開（公告）號: CN113315524A
• 公開（公告）日: 2021-08-27
• 發明（設計）人: 王昱;徐子揚;龔辭;陳俊康;章馨予;賀瀧玉;黃子浩;周建
• 申請（專利權）人: 武漢理工大學
• 主分類號: H03M7/40
• 分類號: H03M7/40
• 代理公司: 武漢智嘉聯合知識產權代理事務所(普通合伙) 42231
• 代理人: 陳建軍

本發明公開一種基于深度學習的界標數據壓縮傳輸方法及裝置，方法包括：獲取初始界標數據以及實際界標數據集；根據初始界標數據對實際界標數據集進行預處理，以得到待壓縮界標數據集；對所述待壓縮界標數據集進行離散處理；采用變分自編碼模型將離散處理后的待壓縮界標數據集處理成潛在變量，并對所述潛在變量進行編碼壓縮后輸出。本發明解決了現有技術中界標數據壓縮方法壓縮率不高的技術問題。

技術領域

本發明涉及數據傳輸技術領域，具體涉及一種基于深度學習的界標數據壓縮傳輸方法、裝置、設備及存儲介質。

背景技術

界標表示某個地界標識，由于界標在使用時數量非常巨大，使用過于孤立混亂，存在著難以維護的問題，需要耗費大量的人力物力對其進行定期檢查維護，傳統的界標只起到一種視覺提醒的作用，并不能檢測自身以及周邊情況，隨著傳感器工藝、數據采集系統以及互聯網技術的發展，可將傳感器、數據采集系統以及云技術應用于界標中，實現一定程度上的智能化，并且能根據實際的應用場景對周邊活動起到一種預警作用。

傳感器、數據采集系統采集的界標數據需要傳輸至分析平臺后，才能實現對界標數據的監控，目前由于一條線路上的傳感器或采集設備較多，進行線路查詢時，傳輸的字節數較多，串口傳輸時間較長，越靠近主站的設備耗電量越大，例如某條線路中有50個設備進行一次線路查詢時所消耗的電能為16.2mW*h，一年所消耗的電能為17739mW*h，在此情況下系統一年中傳輸數據所消耗的電能比較大。為了設備能在野外環境中工作一年的時間，需要壓縮待傳輸數據，減少數據傳輸時間，達到降低能耗的目的。

在日常的生活中使用的壓縮工具大多將多種壓縮編碼算法組合使用并進行優化處理，使用單獨的壓縮算法比較少見，例如Gzip壓縮方法是利用LZ77算法的一種變種進行壓縮，對得到的結果再使用靜態或者動態哈夫曼編碼的方法進行壓縮；LZAM壓縮方法是結合使用Deflate算法和LZ77算法改良和優化后的壓縮算法；但是面對大數據時代的數據處理，傳統的數據壓縮方法壓縮率不高，無法滿足實時界標數據壓縮的處理要求，導致界標數據的傳輸時間過長，傳輸速率不高。

發明內容

本發明的目的在于克服上述技術不足，提供一種基于深度學習的界標數據壓縮傳輸方法、裝置、設備及存儲介質，解決現有技術中界標數據壓縮方法壓縮率不高的技術問題。

為達到上述技術目的，本發明采取了以下技術方案：

第一方面，本發明提供一種基于深度學習的界標數據壓縮傳輸方法，包括如下步驟：

獲取初始界標數據以及實際界標數據集；

根據初始界標數據對實際界標數據集進行預處理，以得到待壓縮界標數據集；

對所述待壓縮界標數據集進行離散處理；

采用變分自編碼模型將離散處理后的待壓縮界標數據集處理成潛在變量，并對所述潛在變量進行編碼壓縮后輸出。

優選的，所述的基于深度學習的界標數據壓縮傳輸方法中，所述根據初始界標數據對實際界標數據集進行預處理，以得到待壓縮界標數據集具體包括：

根據初始界標數據，對實際界標數據集進行差分處理，以得到各個實際界標數據的數據波動值，將各個實際界標數據的數據波動值的集合作為待壓縮界標數據集。

優選的，所述的基于深度學習的界標數據壓縮傳輸方法中，所述采用變分自編碼模型將離散處理后的待壓縮界標數據集處理成潛在變量，并對所述潛在變量進行編碼壓縮后輸出具體包括：

采用變分自編碼模型將離散處理后的待壓縮界標數據集處理，得到均值和方差，根據所述均值和方差生成概率分布函數，采用非對稱數字系統對所述概率分布函數進行解碼，得到第一個潛在變量；

基于所述第一個潛在變量和所述變分自編碼模型，依次得到后續的各個潛在變量，當得到了最后一個潛在變量后，對最后一個潛在變量進行編碼壓縮后輸出。