[发明专利]融合字典训练与观测矩阵优化的数据高质压缩方法

摘要

本发明公开了一种融合字典训练与观测矩阵优化的数据高质压缩方法，通过对稀疏字典与观测矩阵联合优化，实现字典与观测矩阵之间相关性的深入挖掘，主要解决了实际传感器数据采集的问题：首先，本发明构建了一种基于K‑SVD思想的二维字典训练方法，实现IIoT中空时数据的稀疏表示；其次，通过在空间和时间域优化相应的观测矩阵来最小化感知矩阵的列相干性，从而匹配训练后的稀疏字典。最后，提出了一种联合优化方法，在字典训练以及观测矩阵优化之间进行了权衡考量，使得重构误差达到理论上的最小值。与现有的数据压缩方案相比，本发明提出的HQDC方法可以在真实的IIoT场景中高效地工作；同时，HQDC方法在重建精度上也显著优于其他的数据压缩方案。

主权项

1.一种融合字典训练与观测矩阵优化的数据高质压缩方法，其特征在于，包括如下步骤：步骤(1)构建一种工业物联网用的雾协助三层网络架构，所述三层网络架构自下而上包括感知层、雾层和云层，各层级相互连通；在所述感知层中设有N个工业节点，在所述雾层中设有k个雾节点，在所述云层中设有1个云节点；所述N个工业节点在监测区域内随机分布，各工业节点负责在固定周期内收集L个数据片段，进行分簇和数据采样；所述k个雾节点对数据进行预处理；所述预处理包括观测矩阵的优化、数据压缩和将压缩数据转发到云节点；所述云节点进行存储和执行数据恢复操作，字典训练以及字典与观测矩阵之间的权衡；步骤(2)基于K‑SVD思想的二维字典训练，实现IIoT中空时数据的稀疏表示；步骤(3)在空间和时间域进行相应的观测矩阵优化，最小化感知矩阵的列相干性，匹配训练后的稀疏字典；步骤(4)提出一种观测矩阵与稀疏字典的联合优化方法，在字典训练以及观测矩阵优化之间进行权衡考量，使得重构误差达到理论上的最小值。