[发明专利]一种权值简约无线传感网数据压缩方法、设备及存储设备

说明书

技术领域

本发明涉及深度学习技术领域，具体涉及一种权值简约无线传感网数据压缩方法、设备及存储设备。

背景技术

近年来，在全球信息化大潮的推动下无线传感网(WSN)技术发展水平不断进步。WSN节点也更加偏向于嵌入式、价格便宜、智能化。在监测区域中放置许多传感器节点，通过无线通信将它们连接到互联网上，WSN在监测、遥控和传感智能等高科技应用领域中已开始发挥着重要作用。WSN最为重要的功能就是进行监测数据采集，WSN把人类和物理环境相连接，WSN的部署越来越广泛，以实现连续监测和感知物理世界的物理变量。对WSN而言，如何设计节省能耗、消除冗余的数据压缩方案是业内关注的焦点所在。

发明内容

为了解决上述问题，本发明提供了一种权值简约无线传感网数据压缩方法、设备及存储设备，主要思路是两次构建神经网络模型，并采用深度神经网络技术，经过反复迭代训练及权值简约，从而有效压缩了数据规模，并且能够获得较高的数据重构精度。

本发明提供的技术方案是：一种权值简约无线传感网数据压缩方法，所述方法包括步骤：采用RBM神经网络构建生成式模型；输入预训练数据对所述生成式模型进行RBM逐层数据压缩预训练；构建初步编解码网络模型；结合AE模型，采用深度压缩算法对所述初步编解码网络模型进行再训练；得到所述预训练数据的高压缩率和高重构精度；将再训练后得到的网络模型进行权值简约得到规模压缩的最终网络模型。一种存储设备，所述存储设备存储指令及数据用于实现所述一种权值简约无线传感网数据压缩方法。一种权值简约无线传感网数据压缩设备，所述设备包括处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现所述的一种方法。

本发明的有益效果是：本发明提供了一种权值简约无线传感网数据压缩方法、设备及存储设备，首先通过采用四层RBM神经网络构建生成式模型并对该模型进行数据压缩预训练，其次构建初步编解码网络模型并采用深度压缩算法对该模型进行再训练，再次获得待处理数据的高压缩率及高重构精度，最后通过权值简约达到进一步压缩网络规模的效果。

附图说明

图1是本发明实施例中权值简约无线传感网数据压缩方法的整体流程图；

图2是本发明实施例中生成式模型RBM逐层数据压缩预训练流程图；

图3是本发明实施例中对初步编解码网络模型进行再训练流程图；

图4是本发明实施例采用RBM神经网络构建生成式模型示意图；

图5是本发明实施例中初步编解码网络模型示意图；

图6是本发明实施例中待处理数据预处理示意图；

图7是本发明实施例的硬件设备工作示意图；

图8是本发明实施例中RBM预训练算法重构温度数据示意图；

图9是本发明实施例中RBM预训练后测试节点温度数据重构误差示意图；

图10是本发明实施例中使用两级神经网络进行权值简约流程示意图；

图11是本发明实施例的权值数量裁剪示意图；

图12是本发明实施例中使用k-means算法使权值共享微调质心(压缩了权值的比特值)示意图；

图13是本发明实施例中第八层权值裁剪后的概率密度函数示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述，下文中提到的具体技术细节，如：方法，设备等，仅为使读者更好的理解技术方案，并不代表本发明仅局限于以下技术细节。

本发明的实施例提供了一种权值简约无线传感网数据压缩方法、设备及存储设备，通过两次模型构建和两次对模型的训练，可以获得待处理数据的高压缩率及高重构精度。请参阅图1，图1是本发明实施例中权值简约无线传感网数据压缩方法的整体流程图，所述方法由一种权值简约无线传感网数据压缩设备实现，具体步骤包括：

S101：采用RBM神经网络构建生成式模型。

S102：输入预训练数据对所述生成式模型进行RBM逐层数据压缩预训练；所述预训练数据包含在待处理数据中；所述待处理数据经过预处理；所述预处理具体包括：采用三倍标准差法剔除待处理数据中的异常数据；采用max-min归一化方法消除所述待处理数据间的数量级差异。

S103：构建初步编解码网络模型。

S104：结合AE模型，采用深度压缩算法对所述初步编解码网络模型进行再训练。

S105：得到所述预训练数据的高压缩率和高重构精度。重构的误差度量标准为：