[发明专利]基于降噪自编码器的多传感节点感知数据收集方法

权利要求书

1.基于降噪自编码器的多传感节点感知数据收集方法，包括模型训练和分层式数据收集；其特征在于，所述的模型训练用于训练降噪自编码器模型，具体方法是：

步骤(1)对历史感知数据集进行数据预处理：

对数据执行重组、归一化以及加噪处理，组成具有Q个样本的归一化不含噪数据集和含噪数据集其中每条数据样本的长度等价于传感节点数量N；

步骤(2)分割归一化不含噪数据集和含噪数据集将不含噪数据集和含噪数据集中Q个样本划分为不含噪训练集和含噪验证集满足q_train+q_valid＝Q，q_train为训练集样本数量，q_valid为验证集样本数量，是含噪验证集对应的不含噪验证集；

步骤(3)构建降噪自编码器模型，模型输入为归一化样本x_t′，隐层表征为h_t，模型输出为重构样本具体是：

降噪自编码器模型的神经网络模块由1个输入层、1个隐藏层和1个输出层构成，输入层神经元数量为I，隐藏层神经元数量为H，输出层神经元数量为O，满足I＝O＝N，即输入、输出层神经元数量等价于传感节点数量，激活函数为tanh，优化算法为小批量梯度下降法；将x_t′馈入降噪自编码器模型，基于隐藏层得到线性测量信号y_t和低维隐层表征h_t，基于输出层得到重构样本

步骤(4)训练降噪自编码器模型，得到最佳模型参数；具体是：

(4-1)初始化：设置迭代轮数最大值E_max，迭代轮数更新阈值E_update，迭代轮数约数E_mod；初始化迭代索引epoch＝1；设置停止准则中的阈值thresh；根据预期压缩比设置隐藏层神经元数量H；利用Xavier初始化方法随机初始化学习网络的权值参数w和偏置参数b；设置学习率η；设置训练样本批大小bs；

(4-2)分批：根据批大小bs将训练集样本均匀分成P个数据批，满足bs×P＝Q，第p个批集合表示为

(4-3)退化处理：随机选取一个未选择过的数据批生成一个满足(0,1)均匀分布的随机数r，并以r/2值作为标准差生成与数据批等尺寸的高斯噪声叠加到该数据批上，得到退化数据批

(4-4)前向传播：将退化数据批中的所有bs个样本输入模型，输出相应的重构样本

(4-5)后向传播：基于数据批对应的输入样本x_t′和重构样本计算损失函数表示该小批中节点i时刻t的重构输出值，表示该小批中节点i时刻t对应的原始值；根据小批量梯度下降法更新权值参数和偏置参数

(4-6)迭代：若未选取完所有训练数据批，则返回步骤(4-3)继续训练模型，否则执行(4-7)；

(4-7)验证：将含噪验证集输入模型，计算不含噪的验证集样本x_t和重构样本的平均绝对误差MAE_valid，并计算其与保存的验证集最小绝对误差{MAE_valid}_min的绝对差值ε＝|MAE_valid-{MAE_valid}_min|；

(4-8)迭代：若当前迭代轮次epoch＜E_max，且验证集绝对差值ε＞thresh，则比较当前MAE_valid和{MAE_valid}_min，若MAE_valid＜{MAE_valid}_min，则更新最小绝对误差值{MAE_valid}_min，更新迭代轮次epoch＝epoch+1，若epoch≥E_update且epochmodE_mod＝0，则更新学习率η＝η/2，返回步骤(4-2)进行下一轮迭代；否则结束训练，并保存最佳模型参数{w_opt,b_opt}；

所述的分层式数据收集用于建立物联网多传感节点感知数据收集系统，将训练好的学习网络分层部署，实现分布式多传感节点感知数据收集；所述的多传感节点感知数据收集系统包括传感节点、边缘数据汇聚设备和数据融合中心；具体方法是：

步骤(a)多传感节点感知数据收集系统中部署训练好的降噪自编码器的神经网络模块；

步骤(b)在传感节点执行本地数据处理：

步骤(c)将归一化感知数据传输至边缘数据汇聚设备；

步骤(d)在边缘数据汇聚设备压缩多传感节点感知数据，得到低维测量数据y_t′；

步骤(e)将低维测量数据y_t′向上传输至数据融合中心；

步骤(f)数据融合中心重构原始感知数据：数据融合中心对接收到的低维测量数据y_t′执行解码、逆归一化以及重组处理，得到感知数据的重构数据