[发明专利]一种基于改进麻雀搜索算法优化CAEN的图像数据压缩方法

说明书

本发明公开了一种基于改进麻雀搜索算法优化CAEN的图像数据压缩方法，其采用改进Circle混沌映射初始化麻雀个体种群，增强种群多样性；将正余弦突变算子引入警戒者公式来提高搜索能力；针对麻雀搜索算法中，发现者与跟随者比例相对固定，导致其存在全局搜索能力与局部寻优能力不协调，提出了自适应种群调整策略，平衡CMASSA的全局搜索能力和局部寻优能力；在数据压缩领域，将CMASSA算法与CAEN结合，提出新的适应度函数，并将超参数进行实数编码，最后在保证一定数据压缩比例的前提下，获取最优的CAEN网络结构。

技术领域

本发明涉及边缘计算中图像数据压缩技术领域，具体涉及一种基于改进麻雀搜索算法优化CAEN的图像数据压缩方法。

背景技术

在实现万物互联的同时，传感器节点将采集到海量的图像数据，这些数据不但存在着大量冗余，传输过程中还会占用大量通信带宽资源。如果在靠近数据源的边缘服务器上提前压缩数据，不仅可以提升数据传输效率，还可以在云服务中心进行更灵便的数据处理。

深度学习在数据压缩领域取得了良好的效果，尤其在数据量大的情况下，相比传统的机器学习方法更优。卷积自编码网络(Convolutional Auto-Encoder Network,CAEN)是一种深度神经网络，以无监督的方式学习，进行有效的数据编码，其网络的超参数对最终模型的优劣有着巨大影响，传统超参数的设置通常要耗费大量人力调优，并且很难找到最优解。近年来，众多研究人员一直在寻找合适的方法来获取最优的网络超参数，旨在提高模型性能。

发明内容

本发明的目的在于，提供一种图像数据压缩方法，其基于混沌突变自适应麻雀搜索算法(CMASSA)实现，将超参数进行实数编码，在最优的CAEN网络中进行图像数据压缩。

为实现上述目的，本申请提出一种基于改进麻雀搜索算法优化CAEN的图像数据压缩方法，包括：

步骤1：搭建基础CAEN网络结构，确定网络中卷积核大小、个数等参数范围，根据所述参数范围设置麻雀种群所在空间的初始上下限，麻雀种群个数N，发现者与跟随者最大比例系数r，最大迭代次数T_max、位置维度等基本参数，将待压缩图片数据的训练集和测试集输入到基础CAEN网络中；

步骤2：采用实数编码方式，将基础CAEN网络的卷积层内核大小，池化层内核大小，Dropout层损失神经元比例等超参数进行编码；

步骤3：将所述编码作为CMASSA算法的麻雀个体，对所述基础CAEN网络的超参数进行混沌初始化；

步骤4：初始化后的超参数输入到基础CAEN网络进行压缩和重建，根据CAEN网络分类任务的误差率Loss和数据重建度Rate，并利用初始化的超参数得到每个麻雀个体的初始适应度，对当前最优以及最劣麻雀个体对应的超参数进行记录；

步骤5：获取发现者和跟随者数目，调整麻雀种群中最优的超参数和剩余的超参数比率其中t是当前迭代次数，k是一个[0,1)随机数；pNum＝r·N个发现者、sNum＝(1-r)·N个跟随者自适应调整种群数目，选取当前迭代周期中，适应度值最优的pNum个麻雀个体作为发现者，其余sNum个麻雀个体作为跟随者；根据发现者对应的网络超参数X_i位置及跟随者对应的网络超参数X_i位置进行麻雀个体位置更新，并获取所述发现者与跟随者的适应度值；

步骤6：随机选取当前麻雀种群中的20％超参数作为警戒者，更新麻雀位置，并得到该麻雀的适应度值；

步骤7：一次迭代周期完成后，存储该周期最优麻雀个体对应的超参数；

步骤8：重复步骤4-7，达到最大迭代次数后，输出并存储最优的超参数；

步骤9：将最优的超参数输入到重建后的CAEN网络中，得到最优CAEN网络结构，通过所述最优CAEN网络结构进行图像数据压缩。