[发明专利]基于稀疏最小二乘优化的数据压缩方法

说明书

本发明公开了一种基于稀疏最小二乘优化的数据压缩方法，包括以下步骤：S1.获取信号数据集，对获取的信号序列进行分组，每组形成一个原始矢量，原始矢量的集合为初始码书；S2.确定与原始矢量对应的参数矢量，具体为：采用坐标下降法优化稀疏最小二乘法中的参数矢量，并使用最小二乘法对参数矢量进一步优化；S3.在初始码书中检索得到与原始矢量匹配的码字，所得码字的集合为最终码书；S4.获取所有与原始矢量匹配的码字在初始码书中的索引值；S5.打包最终码书和所有与原始矢量匹配的码字在初始码书中的索引值。本发明提供的方法在信息保存方面性能更好，信息丢失少，量化结果准确度高，运行时间大大缩短，且与基于聚类的算法相比，相对独立于随机种子。

技术领域

本发明涉及数据压缩领域，具体是基于稀疏最小二乘优化的数据压缩方法。

背景技术

矢量量化是一种极其重要的信号压缩方法，通过压缩接近原始值的组合来形成新的矢量/矩阵，它能在可接受的信息损失前提下压缩数据，在图像处理、语音识别和机器学习等领域具有很大的实用性。矢量量化的基本思想是将若干个标量数据组构成一个矢量，然后在矢量空间给以整体量化，从而压缩了数据而不损失多少信息。近年来，由于矢量量化在神经网络的应用中具有巨大的潜力，矢量量化的重要性日益凸显。

矢量量化编码器根据一定的失真测度在码书中搜索出与原始矢量之间失真最小的码字。传输时仅传输该码字的索引，这里就体现了矢量量化对数据压缩性能。矢量量化的解码过程是一个简单的查表操作，即根据接收到的码字索引在码书中查找相应的码矢量，并将它作为输入矢量的构造矢量。矢量量化编码过程是指输入矢量与码字的模式匹配过程，模式匹配的一个关键问题是矢量间的偏差的度量，一般使用失真度来表征原始矢量和构造矢量间的偏差，一般来说，失真越小，压缩系统性能越好。矢量量化关键技术是码书设计(生成)、码字搜索和码字索引分配，其中最重要的一点就是如何设计出性能优良的码书，这是整个矢量量化器设计成功与否的关键，是决定矢量量化器性能的主要因素。

码书的生成方式有多种，传统的矢量量化方法通常使用基于域的手工编码技术和/或基于聚类的方法，如均匀量化、对数量化和K均值聚类量化等。均匀量化是指把输入信号的取值域等间隔分割的量化称为均匀量化，其特点是各量化区间的宽度相同，均匀量化的好处就是编解码的很容易，但要达到相同的信噪比占用的带宽要大；对数量化是指在发送端将输入信号通过一对数放大器，对信号幅度非线性压缩，然后进行均匀量化、编码，在接收端进行反变换，通过反对数放大器.对信号幅度进行非线性扩张，以恢复原信号；K均值聚类算法的基本思想是以空间中k个点为中心进行聚类，对最靠近他们的对象归类，通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果，K均值聚类算法用初始随机种子点选择初始聚类中心，对初始码书敏感，由于随机选择初始质心，所以可能两次聚类结果完全不同；基于手工编码的域规则量化在遇到复杂分布的数据时结果不好，而基于聚类的算法存在时间消耗大、对随机种子依赖性强的问题。

在实际应用中传统的矢量量化方法经常会遇到以下几个问题：1、由于初始化失误造成的空类或其他异常结果。2、量化结果不稳定。3、运算量巨大，耗时高。

发明内容

本发明的目的在于克服现有技术量化结果不稳定、耗时高的不足，提供了一种基于稀疏最小二乘优化的数据压缩方法，时间短，结果更准确，且与基于聚类的算法相比，本发明的方法相对独立于随机种子。

本发明的目的主要通过以下技术方案实现：

基于稀疏最小二乘优化的数据压缩方法，所述数据压缩方法包括以下步骤：

S1.获取信号数据集，对获取的信号序列进行分组，每组形成一个原始矢量，原始矢量的集合为初始码书；

S2.确定与原始矢量对应的参数矢量，具体为：采用坐标下降法优化稀疏最小二乘法中的参数矢量，并使用最小二乘法对参数矢量进一步优化；

S3.在初始码书中检索得到与原始矢量匹配的码字，所得码字的集合为最终码书；