Fig. 1.
压缩过程的图表,显示节点(当前段的样本)与其子节点(合并的较低级别的节点)之间的从属关系。当前段被延长,直到其标准偏差超过截止阈值
σ
th
。
分类在基于事件的采样类别中,但不需要特殊的数据采集硬件。压缩是
有损的,尽管它与近无损压缩有一些相似之处,因为用户可以控制压缩
的程度。此外,如前所述,稀疏信号的常规采样会产生大量不必要的数
据。均匀采样,然后被视为后验作为惩罚约束。相比之下,我们的算法
基本上执行非均匀下采样,这导致相关性的均匀分布
因此,我们的第一个贡献是实现了一个结构化的数据树,一个逐层
的压缩进展,允许数据管理直接在几个规模和逐步减少归档文件。我们
在3.1节中介绍了它的过程原理。在目前的发展阶段,只能处理一维信
号。第二个贡献是基于局部标准差的统计方法,用于在压缩期间实现非
均匀采样,这意味着不使用机器学习或AI技术。由于局部标准偏差的中
心参数,非均匀或自适应采样得以实现,该局部标准偏差测量样本的相
关性并且对噪声非常有弹性。这种自适应压缩技术还利用从数据计算的
质量指标参数。此功能在第3.2节中公开。
据我们所知,这项研究中提出的工作是一个进一步的
通过非均匀采样尝试近无损混合压缩,最大限度地提高能源效率和数据
分析人员的工作效率,并避免前面提到的AI缺点。度量算法性能的几个
关键特征和指标
是 评价 通过 仿真 实验 在 部分 4包括
可以说,非均匀采样引入了额外的数据存储,因为时间戳不再仅从两个
实数计算:采样率和第一个时间戳。这两个数据通常以双精度浮点格式
存储,以便生成的系列具有足够的分辨率。在我们的例子中,如果保存
树,存储每个节点的子节点的数量,则存储所有时间戳也不是强制性
的。每个时间戳都可以计算出来, 该树具有相同的精度,因为记录了
原始信号的恒定采样率及其第一时间戳。子节点的数量可以以整数格式
存储,这只需要少量的内存。
因此,我们认为点的集合
S= {
(
t
1
;y
1
),
是输出信号的M个样本,其中
M
为
N
。
<
发起
在压缩中,取输入信号的第一段,其仅包含前两个样本
Sn
= {(t
1
;y
1
),
(t
2
;y
2
)
}
,将其标准偏差σ与预定义的截止阈值σ th进行比较。如果
σσ
th
,则将下一个样本t
3
;y
3
附加到Sn
,
并且重复比较的过程以及附加
(cf.
<
等式(1)),直到阈值
路口.在这种情况下,该片段从信号中被切断,并且其质心t
c1
;y
c1
(参见
等式(2)和(3))被附加到压缩采样,这是其目前唯一的点。然后打
开一个新的段,该段最初仅包含原始采样中的下两个点。整个过程一直
重复到最后,如
图1示出了压缩采样的任意项(
t
ck
;y
ck
)
S
n
={
(
t
n
1
;y
n
1
),
n
2
节省,压缩增益,信噪比,最大绝对失真,信号分割,局部采样率和平
均
每个节点的子节点。最后,我们提出了我们的压缩算法的测试结果上提
供的信号均匀采样。
使用阈值
从Physionet数据库中提取,并由欧洲航天局测试任务的卫星
3.
算法分解
3.1.
树结构数据压缩
数字数据序列的压缩不仅是为了节省存储空间
与阈值的比较以及所产生的动作可以在简单的标准逻辑操作中实
现。(假设
n
2
scin
=
N
或
N
-
1
):
t
ck
=
t
n
旨在促进大数据的利用。
图1示意了所提出的压缩树过程。当原始采样是均匀的时,这种树结
构减少了数据存储
σ
n
σ
th<$Sn
=Sn
<
$ t
n
2
+1
;
yn
2
+1
(6)<
然而,在这方面, 的 标准 偏差 并 不 采取 成 账户a