[发明专利]一种基于人工智能的星载传感网数据压缩方法

权利要求书

1.一种基于人工智能的星载传感网数据压缩方法，其特征在于，包括：

步骤一：在一段预设时间内，在星载传感网多个终端感知节点采集传感器数据，传感器数据包括多个类别的传感器数据；

步骤二：对传感器数据进行预处理，以剔除异常数据，并对缺失数据通过双维度上的线性插值方法进行补全，将采集数据归一化映射到[-1，1]区间；

步骤三：构建A-CCR网络，A-CCR网络包括编码部分和解码部分，使用卷积神经网络和Leaky_ReLU激活层组合构建网络编码部分，该部分在输出压缩结果的同时还会给出一个判别值用于判别输入数据为真实数据还是重构数据，使用Wasserstein距离来优化目标函数，以提高编码器监督学习能力，使用卷积神经网络和ReLU激活层组合构建网络解码部分，该部分将压缩数据进行重构，并在所述目标函数中加入MSE约束项；

步骤四：在预处理后的传感器数据中提取一个类别的数据时间序列，将这一类别的数据时间序列分成m段并随机打乱顺序，使用所述m段这一类别的数据时间序列按照打乱后的顺序对A-CCR网络进行循环迭代训练，达到预设的迭代次数后，得到A-CCR网络初始模型，若迭代次数大于m，在训练到第m+1次之前，将所述m段这一类别的数据时间序列再次打乱顺序，接到前一次打乱顺序的m段数据时间序列后，作为训练数据继续进行训练；若迭代次数小于m，则只有等同于迭代次数的段数的数据时间序列被用于训练；

步骤五：在预处理后的传感器数据中提取多种类别的数据时间序列，将多种类别的数据时间序列分成n段并随机打乱顺序，使用所述n段多种类别的数据时间序列按照打乱后的顺序对A-CCR网络初始模型进行循环迭代训练，达到预设的迭代次数后，得到A-CCR网络优化模型，其中迭代次数大于等于n；在训练到第n+1次之前，将所述n段多种类别的数据时间序列再次打乱顺序，接到前一次打乱顺序的n段数据时间序列后，作为训练数据继续进行训练；

步骤六：将待处理的星载传感网数据输入到A-CCR网络优化模型进行压缩处理。

2.根据权利要求1所述的一种基于人工智能的星载传感网数据压缩方法，其特征在于，在步骤一中，在预设时间内，传感器节点每31秒采集一次数据。

3.根据权利要求1所述的一种基于人工智能的星载传感网数据压缩方法，其特征在于，在步骤二中，对缺失数据使用同一天邻近时刻数据点和邻近天同一时刻的数据进行双维度线性插值方法进行补全。

4.根据权利要求1所述的一种基于人工智能的星载传感网数据压缩方法，其特征在于，在步骤四中A-CCR网络进行的循环迭代训练，每次网络整体迭代先训练1次编码部分，在训练3次解码部分，平衡网络两部分的学习效率，同时对于这两部分网络训练中分别使用批标准化，以保证网络整体学习的稳定性。

5.根据权利要求1所述的一种基于人工智能的星载传感网数据压缩方法，其特征在于，在步骤四中的一种类别的数据时间序列是温度时间序列或湿度时间序列或光照时间序列。

6.根据权利要求1所述的一种基于人工智能的星载传感网数据压缩方法，其特征在于，在步骤五中的多种类别的数据时间序列包括温度时间序列、湿度时间序列和光照时间序列。