[发明专利]一种基于人工智能的星载传感网数据压缩方法

说明书

本发明提供了一种基于人工智能的星载传感网数据压缩方法，包括：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；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；构建A‑CCR网络；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，分成m段并随机打乱顺序，按照打乱后的顺序对A‑CCR网络进行循环迭代训练；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，分成n段并随机打乱顺序，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；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。

技术领域

本发明涉及航空航天与人工智能技术领域，具体涉及一种基于人工智能的星载传感网数据压缩方法。

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部署简单、自动数据采集、实时处理、自组网多跳无线通信，及其对恶劣环境良好的适应性等特点，被认为将成为未来航空探测重要技术。其中，自主导航控制、能源与推进、测控通信、进入下降与着陆、新型数据采集设备等是急需突破和掌握的关键技术，通过航天器将无线传感网节点飞撒于星球表面进行环境信息的数据采集技术也是我国现阶段航天技术的研究热点之一。目前，世界的许多军事与科技强国都正在对WSN在军事空天领域的应用进行积极探索，欧洲与美国的许多大学与政府组织，例如美国国防部高级研究计划署、欧洲航天技术中心、美国国家航空航天局、美国科学家联盟、美国国防部等，都已投入大量人力物力进行研究。我国在近几年航天事业的蓬勃发展态势下，对于WSN在空天与军事等领域的应用研究需求也就显得越来越迫切。研究在航天器上具有较好可靠性、有效性和实时性的WSN成为我国在军事和空天事业发展中非常重要的关键技术之一。在大多数情况下，传感器节点板载无线电收发器是能量消耗的主要原因。能源问题一直是限制无线传感器网络广泛使用的瓶颈。因此，对WSN而言，如何设计节省能耗、消除冗余的数据压缩方案是至关重要的。

数据压缩可以通过减少WSN的数据量，有效地节约通信和存储的能量消耗。对于常用的数据压缩算法侧重于基于时间序列的去近似数据，将数据样本转换为一组系数以简化数据表示，压缩算法的性能取决于编码输入数据所需的系数数量，随着系数的增加会增加计算能耗。Donoho提出的压缩感知(CS)方法，为无线传感器网络中的数据压缩提供了新的方向。当原始数据在基础上稀疏时，CS方法可以使用较少的测量来恢复大量原始数据。由于使用稀疏二进制矩阵，CS可以大大降低系统成本。CS要求信号在某个水平上是稀疏的或可压缩的，否则信号不能被重建。目前有许多用于快速重建和可靠精度的信号恢复算法，例如基追踪(BP)，正交匹配追踪(OMP)和分段OMP(StOMP)。BP具有高计算复杂度，不能用于大规模应用。OMP和StOMP在信号恢复中采用自下而上的方法，其复杂程度远低于BP。但是，它们需要更多测量并且缺乏恢复保证。

深度学习(DL)是一种人工智能技术，具有出色的数学拟合能力和深层特征学习能力。近年来，卷积神经网络(CNNs)在各个领域表现出惊人的能力，促进了DL在各个领域的广泛应用。CNN可以通过多层迭代卷积提取更深入，更丰富的数据隐藏信息。大型深度卷积网络也已应用于数据压缩，但大多数研究目前仅限于图像压缩领域。对于无线传感器网络，大多数人使用RBM或完全连接的层，来分别学习压缩网络和重构网络，很少有人将压缩重构网络合并到一起实现对抗学习。缺乏研究的一个重要原因是压缩和重构网络在训练中关联不大，并且容易出现训练学习不稳定的情况。综上所述，寻找一种高效的深度学习模型应用于星载无线传感网数据压缩的算法是很有必要的。

发明内容

本发明要解决的技术问题在于，针对目前需要一种节省能耗、消除冗余的WSN数据压缩方法的技术问题，提供一种基于人工智能的星载传感网数据压缩方法解决上述技术缺陷。

一种基于人工智能的星载传感网数据压缩方法，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；