CN111309690B - 一种数控机床g代码数据无损压缩方法 - Google Patents
一种数控机床g代码数据无损压缩方法 Download PDFInfo
- Publication number
- CN111309690B CN111309690B CN202010080647.5A CN202010080647A CN111309690B CN 111309690 B CN111309690 B CN 111309690B CN 202010080647 A CN202010080647 A CN 202010080647A CN 111309690 B CN111309690 B CN 111309690B
- Authority
- CN
- China
- Prior art keywords
- binary
- model
- compressed
- compression
- estimation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/174—Redundancy elimination performed by the file system
- G06F16/1744—Redundancy elimination performed by the file system using compression, e.g. sparse files
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
- G05B19/4083—Adapting programme, configuration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/3068—Precoding preceding compression, e.g. Burrows-Wheeler transformation
- H03M7/3071—Prediction
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/3068—Precoding preceding compression, e.g. Burrows-Wheeler transformation
- H03M7/3079—Context modeling
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/3084—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction using adaptive string matching, e.g. the Lempel-Ziv method
- H03M7/3097—Grammar codes
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45136—Turning, lathe
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本公开实施例提供了一种数控机床G代码数据无损压缩方法,属于数据处理技术领域,该方法包括:确定待压缩的目标数据;确定压缩参数的取值,其中,所述压缩参数包括步长、初始平滑率、局部缓冲区的语法模型的最大元数、缓冲区长度、全局缓冲区的语法模型的最大元数、随机种子和自适应上下文树加权算法的阶数;根据所述压缩参数初始化数据压缩模型,其中,所述数据压缩模型包括基于自适应指数平滑估计算法的全局缓冲区模型和基于自适应上下文树加权算法的局部缓冲区模型;得到所述目标数据的压缩结果。通过本公开的方案,提供一种基于前馈神经网络的适用于数控机床G代码数据的整数算术编码,有效的提高了数据的压缩率。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种数控机床G代码数据无损压缩方法。
背景技术
当今,物联网、分布式计算等技术推动了智能工厂的发展。物联网终端采集各种智能化设备的G代码数据,并以文本形式存储。海量G代码数据的存储和传输消耗了大量的能量和存储空间,造成了巨额的通信和存储成本。然而,PPM、LZMA、BZIP和LZMA2等算法对海量G代码数据的压缩率较低。
可见,现有的数据压缩方案存在压缩率较低的技术问题。
发明内容
有鉴于此,本公开实施例提供一种数控机床G代码数据无损压缩方法,至少部分解决现有技术中存在的问题。
第一方面,本公开实施例提供了一种数控机床G代码数据无损压缩方法,所述方法包括:
确定待压缩的目标数据;
确定压缩参数的取值,其中,所述压缩参数包括步长、初始平滑率、局部缓冲区的语法模型的最大元数、缓冲区长度、全局缓冲区的语法模型的最大元数、随机种子和自适应上下文树加权算法的阶数;
根据所述压缩参数初始化数据压缩模型,其中,所述数据压缩模型包括基于自适应指数平滑估计算法的全局缓冲区模型和基于自适应上下文树加权算法的局部缓冲区模型;
将所述目标数据输入到初始化后的所述数据压缩模型,得到所述目标数据的压缩结果。
根据本公开实施例的一种具体实现方式,所述确定待压缩的目标数据的步骤之前,所述方法还包括:
建立所述全局缓冲区模型和局部缓冲区模型;
利用所述全局缓冲区模型计算待压缩二进制位的M个全局估计概率分布,以及,利用所述局部缓冲区模型计算待压缩二进制位的N个局部估计概率分布,其中,M和N均为正整数;
搭建前馈神经网络,根据所述M个全局估计概率分布的权重和所述N个局部估计概率分布的权重,计算整体估计概率分布;
采用Adam算法在线调整前馈神经网络的超参数;
将所述整体概率分布加载到整数算术编码器,得到所述数据压缩模型。
根据本公开实施例的一种具体实现方式,所述全局缓冲区模型计算待压缩二进制位的M个全局估计概率分布的步骤,包括:
在所述全局缓冲区模型建立0~M元语法模型;
采用自适应指数平滑估计算法,计算所述待压缩二进制位的M个全局估计概率分布。
根据本公开实施例的一种具体实现方式,所述采用自适应指数平滑估计算法,计算所述待压缩二进制位的M个全局估计概率分布的步骤,包括:
配置所述自适应指数平滑估计算法;
采用所述自适应指数平滑估计算法,计算所述待压缩二进制位的M个全局估计概率分布。
根据本公开实施例的一种具体实现方式,所述采用自适应指数平滑估计算法,计算所述待压缩二进制位的M个全局估计概率分布的步骤,即
其中,Proest{Xi=0}表示全局估计概率分布,Proest{Xi-1=0}为已压缩二进制位Xi-1的全局估计概率分布,Pinit(0)表示初始估计概率分布,αi∈[0,1)表示平滑率,表示二进制位Xi的确定值。
根据本公开实施例的一种具体实现方式,所述利用局部缓冲区模型计算待压缩二进制位的N个局部估计概率分布的步骤,包括:
在所述局部缓冲区模型建立0~N元语法模型;
采用自适应上下文树加权算法,计算所述待压缩二进制位的N个局部估计概率分布。
根据本公开实施例的一种具体实现方式,所述采用自适应上下文树加权算法,计算所述待压缩二进制位的N个局部估计概率分布的步骤,包括:
配置所述自适应上下文树加权算法;
采用所述自适应上下文树加权算法,计算所述待压缩二进制位的N个局部估计概率分布。
根据本公开实施例的一种具体实现方式,所述采用自适应上下文树加权算法,计算所述待压缩二进制位的N个局部估计概率分布的步骤,即
根据本公开实施例的一种具体实现方式,所述自适应上下文树加权算法的步骤,包括:
每压缩一个二进制位后,采用隶属度函数为正态隶属度的模糊粒子群算法在线调整自适应上下文树加权算法的参数σi。
根据本公开实施例的一种具体实现方式,所述搭建前馈神经网络,根据所述M个全局估计概率分布的权重和所述N个局部估计概率分布的权重,计算整体估计概率分布的步骤,包括:
搭建所述前馈神经网络,其中,所述前馈神经网络依次包括序列层、第一线性整流层、全连接层、第二线性整流层和回归层;
将M个全局估计概率分布和N个局部估计概率分布加载到前馈神经网络得到整体估计概率分布。
根据本公开实施例的一种具体实现方式,所述采用Adam算法在线调整所述前馈神经网络的超参数的步骤,包括:
将M个全局估计概率分布、N个局部估计概率分布和待压缩二进制位的实际概率分布作为训练样本,利用Adam算法在线优化所述映射关系中的超参数。
第二方面,本公开实施例提供了一种数据压缩装置,包括:
确定模块,用于确定待压缩的目标数据;
参数模块,用于设置压缩参数;
初始化模块,用于根据所述压缩参数初始化数据压缩模型,其中,所述数据压缩模型包括全局缓冲区模型和局部缓冲区模型;
处理模块,用于将所述目标数据输入到初始化后的所述数据压缩模型,得到所述目标数据的压缩结果。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有至少一个可被该处理器执行的指令,该指令被至少一个该处理器执行,以使至少一个该处理器能够执行前述第一方面或第一方面的任一实现方式中的数控机床G代码数据无损压缩方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的数控机床G代码数据无损压缩方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,该计算机执行前述第一方面或第一方面的任一实现方式中的数控机床G代码数据无损压缩方法。
本公开实施例中的数据压缩方案,包括:确定待压缩的目标数据;设置压缩参数;根据所述压缩参数初始化数据压缩模型,其中,所述数据压缩模型包括全局缓冲区模型和局部缓冲区模型;将所述目标数据输入到初始化后的所述数据压缩模型,得到所述目标数据的压缩结果。通过本公开的方案,提供一种基于前馈神经网络的适用于数控机床G代码数据的整数算术编码,有效的提高了数据的压缩率。相比于PPMd、LZMA、LZMA2、BZIP2等压缩方法,基于前馈神经网络的适用于数控机床G代码数据的整数算术编码的压缩参数选取容易,可调节区间较大。基于前馈神经网络的适用于数控机床G代码数据的整数算术编码的压缩参数在可调区间内变化对其压缩率影响很小。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种数控机床G代码数据无损压缩方法的流程示意图;
图2为本公开实施例提供的一种数控机床G代码数据无损压缩方法的应用场景示意图;
图3为本公开实施例提供的另一种数控机床G代码数据无损压缩方法的部分流程示意图;
图4为本公开实施例提供的一种数控机床G代码数据无损压缩方法的过程示意图;
图5为本公开实施例提供的一种数控机床G代码数据无损压缩装置的结构示意图;
图6为本公开实施例提供的电子设备的示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可广泛体现于多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员可在没有这些特定细节的情况下,理解、实践所述方面。
本公开实施例提供一种数控机床G代码数据无损压缩方法。本实施例提供的数控机床G代码数据无损压缩方法可以由一计算装置来执行,该计算装置可以实现为软件,或者实现为软件和硬件的组合,该计算装置可以集成设置在服务器、终端设备等中。
参见图1,为本公开实施例提供的一种数控机床G代码数据无损压缩方法的流程示意图。如图1所示,所述方法包括:
S101,确定待压缩的目标数据;
本实施例提供的数控机床G代码数据无损压缩方法,用于实现高压缩率的数据压缩,尤其是实现数据的无损压缩方案,所提供的数控机床G代码数据无损压缩方法适用于G代码数据类型。
例如在智能工厂中,数控机床远程监控系统是提高设备综合效率、实现数控机床全寿命周期预测和健康管理的基础,如图2所示,为数控机床远程监控系统的主要组成部分。常用的数据采集设备是基于ARM芯片的嵌入式设备。数据采集设备高频的采集数控机床的运行数据。数控机床运行数据包括:G代码、实时坐标、实时电流等数据。然而,数控机床运行数据的存储会导致数据采集设备的性能下降,数控机床运行数据的无线传输会消耗大量的流量和电量。本实施例提供的数控机床G代码数据无损压缩方法,可以在有限带宽和电池容量的情况下,对数控机床的G代码数据进行无损压缩,对减少电量和流量损耗、提高压缩率具有重要意义。
S102,确定压缩参数的取值,其中,所述压缩参数包括步长、初始平滑率、局部缓冲区的语法模型的最大元数、缓冲区长度、全局缓冲区的语法模型的最大元数、随机种子和自适应上下文树加权算法的阶数;
电子设备内设置有数据压缩模型,所使用的数据压缩模型包括全局缓冲区模型和局部缓冲区模型,在数据压缩过程中,分别通过全局缓冲区模型和局部缓冲区模型估计概率分布,再计算得到整体压缩结果。
数据压缩模型配置有较多压缩参数,该压缩参数关联压缩过程、压缩类型和压缩结果。
S103,根据所述压缩参数初始化数据压缩模型,其中,所述数据压缩模型包括基于自适应指数平滑估计算法的全局缓冲区模型和基于自适应上下文树加权算法的局部缓冲区模型;
在进行数据压缩之前,需要设置对应待压缩的目标数据的压缩参数,并利用该压缩参数来初始化所述数据压缩模型,以使得所述数据压缩模型针对目标数据的压缩任务进行适应性的调整。
S104,将所述目标数据输入到初始化后的所述数据压缩模型,得到所述目标数据的压缩结果。
在依据上述步骤初始化所述数据压缩模型后,即可将待压缩的目标数据输入到该数据压缩模型内,所述数据压缩模型根据设定的压缩参数确定压缩要求,适应性地进行数据压缩,得到数据结果。
本公开实施例的数据压缩方案,包括:确定待压缩的目标数据;确定压缩参数的取值,其中,所述压缩参数包括步长、初始平滑率、局部缓冲区的语法模型的最大元数、缓冲区长度、全局缓冲区的语法模型的最大元数、随机种子和自适应上下文树加权算法的阶数;根据所述压缩参数初始化数据压缩模型,其中,所述数据压缩模型包括基于自适应指数平滑估计算法的全局缓冲区模型和基于自适应上下文树加权算法的局部缓冲区模型;将所述目标数据输入到初始化后的所述数据压缩模型,得到所述目标数据的压缩结果。通过本公开的方案,提供一种基于前馈神经网络的适用于数控机床G代码数据的整数算术编码,有效的提高了数据的压缩率。
在上述实施例的基础上,如图3所示,根据本公开实施例的一种具体实现方式,所述确定待压缩的目标数据的步骤之前,所述方法还可以包括:
S201,建立所述全局缓冲区模型和局部缓冲区模型;
本实施方式对数据压缩模型的训练过程作了限定。具体的,先建立全局缓冲区模型和局部缓冲区模型。
S202,利用所述全局缓冲区模型计算待压缩二进制位的M个全局估计概率分布,以及,利用所述局部缓冲区模型计算待压缩二进制位的N个局部估计概率分布;
在依据上述步骤建立全局缓冲区模型和局部缓冲区模型之后,即可开始进行整体估计概率分布的计算过程。在以下具体实施方案中,全局估计概率分布的个数可以用M表示,局部估计概率分布的个数可以用N来表示。下面将进行具体解释。
在一种具体实现方式中,所述利用全局缓冲区模型计算待压缩二进制位的M个全局估计概率分布的步骤,可以包括:
在所述全局缓冲区模型建立0~M元语法模型;
采用自适应指数平滑估计算法,计算所述待压缩二进制位的M个全局估计概率分布。
相应的,所述利用局部缓冲区模型计算待压缩二进制位的N个局部估计概率分布的步骤,包括:
在所述局部缓冲区模型建立0~N元语法模型;
采用自适应上下文树加权算法,计算所述待压缩二进制位的N个局部估计概率分布。
进一步的,所述采用自适应指数平滑估计算法,计算所述待压缩二进制位的M个全局估计概率分布的步骤,即
其中,Proest{Xi=0}表示全局估计概率分布,Proest{Xi-1=0}为已压缩二进制位Xi-1的全局估计概率分布,Pinit(0)表示初始估计概率,αi∈[0,1)表示平滑率,表示二进制位Xi的确定值;以及,
所述采用所述自适应上下文树加权算法,计算所述待压缩二进制位的N个局部估计概率分布的步骤,即
可选的,所述自适应上下文树加权算法的步骤,包括:
每压缩一个二进制位后,采用隶属度函数为正态隶属度的模糊粒子群算法在线调整自适应上下文树加权算法的参数σi。
具体实施时,如图4所示,假设待压缩数据为文本序列“cancatcatcab”。全局缓冲区为“cancatcatcatca”,局部缓冲区为“catcatca”。待压缩符号是“b”。该符号的二进制形式为“b8b7b6b5b4b3b2b1”。待压缩二进制位是b2。b2的实际取值为“0”。图4为基于前馈神经网络的适用于数控机床G代码数据的整数算术编码的原理图。基于前馈神经网络的适用于数控机床G代码数据的整数算术编码包括七个可调节参数。∈为步长,为初始平滑率,N为局部缓冲区的语法模型的最大元数,ξ为缓冲区长度,M为全局缓冲区的语法模型的最大元数,为随机种子,为自适应上下文树加权算法的阶数。M元和N元语法模型中M和N分别指的是和待压缩字符距离最近的M和N个字符。
首先,初始化压缩参数。基于前馈神经网络的适用于数控机床G代码数据的整数算术编码包括七个压缩参数,分别设置为∈=0.001,N=1,ξ=8,M=1,本文设置矩估计的指数衰减率ρ1,ρ2分别为0.9,0.9。数值稳定性常数δ为10-8。一阶变量s为0,二阶变量r为0,时间步t为0。整数算术编码包括四个变量:Range、High、Low、Follow和Max。Range为区间长度,Range=High-Low+1。High代表区间上限,Low代表区间下限。Max为区间的最大范围。Follow表示待输出的位数。本文根据经验取值初始化Range、High、Low和Max。
对于全局缓冲区,建立了0元和1元语法模型,并采用自适应指数平滑估计算法计算b2的估计概率。0元和1元语法上下文分别是01100和a,01100,分别对应二进制序列0000100100和11,分别对应估计概率和下面本文介绍自适应指数平滑估计算法的详细过程。假设是一个二进制序列,每一个符号Xi有确定值(0或1)。每一个符号Xi的估计概率都可以用下式计算。
其中,Pinit(0)是初始估计概率,经验值为0.5。αi∈[0,1)是平滑率。计算公式如下:
其中,Gqrt(.)代表开方函数。βlong为长期指数衰减因子。βshort为短期指数衰减因子。
R0(d)是一个分段指数衰减函数,计算公式如下
对于局部缓冲区,本文建立了0元和1元语法模型,并采用1阶自适应上下文树加权算法计算b2的估计概率。0元和1元语法上下文分别是01100和a,01100,分别对应二进制序列00100100和11,分别对应估计概率和下面本文解释了1阶自适应加权上下文树算法的详细过程。假设是一个二进制序列,xn为待预测的二进制位。为已知二进制位。如下为加权上下文树T1,包括根节点λ,叶节点0和1。rcs代表节点s的相对置信度。
二进制位xi的估计概率分布为
下式为σi的计算公式。
进一步的,所述采用自适应上下文树加权算法,计算所述待压缩二进制位的N个局部估计概率分布的步骤,可以包括:
配置所述自适应上下文树加权算法;
采用所述自适应上下文树加权算法,计算所述待压缩二进制位的N个局部估计概率分布。
再者,所述采用模糊粒子群算法在线优化所述自适应上下文树加权算法的参数的步骤,可以包括:
初始化一群粒子,其中,所述粒子包括随机位置和速度;
根据正态隶属度函数模糊化随机位置和速度;
随机初始化正态隶属度函数的特征参数;
根据适应度函数,计算每个粒子的适应度;
寻找每个粒子当前的最优位置,以得到整个粒子群体的最优位置;
采用等式循环更新各个粒子的速度和随机位置,直到更新次数达到最大更新次数时停止。
初始化一群微粒(规模为m,取40),包括随机位置σi=(σ1)和速度Vi=(v1)。根据正态隶属度函数模糊化随机位置和速度。随机初始化正态隶属度函数的三个特征参数:期望Ex、熵En。其中Ex等于σi。根据正态分布的“3En”原则,随机位置σi模糊化为即[σi-3En,σi+3En]。随机速度Vi模糊化为即[Vi-3En,Vi+3En]。
采用等式更新各个微粒的速度和位置。c1和c2为加速因子,rand()为[0,1]之间的随机数。ω为惯性因子。如等式,ω优化采用线性递减权值策略。Gk为最大进化代数,ωini=0.9为初始惯性权值。ωend=0.4为结束惯性权值。t为迭代次数。等式14、15、16、17为区间之间的运算公式。
Vi(t+1)=ω(t)×σi(t)+c1×rand()×(pbesti-σi(t))+c2×rand()×(gbest-σi(t)) (11)
σi(t+1)=Vi(t+1)+σi(t) (12)
ω(t)=(ωini-ωend)(Gk-t)/Gk+ωend (13)
[a,b]+[c,d]=[a+c,b+d] (14)
[a,b]-[c,d]=[a-c,b-d] (15)
[a,b]×[c,d]=[min(a×c,a×d,b×c,b×d),max(a×c,a×d,b×c,b×d)](16)
S203,搭建前馈神经网络,根据所述M个全局估计概率分布的权重和所述N个局部估计概率分布的权重,计算整体估计概率分布;
可选的,所述搭建前馈神经网络,根据所述M个全局估计概率分布的权重和所述N个局部估计概率分布的权重,计算整体估计概率分布的步骤,包括:
搭建所述前馈神经网络,其中,所述前馈神经网络依次包括序列层、第一线性整流层、全连接层、第二线性整流层和回归层;
在所述前馈神经网络内定义整体估计概率分布与所述M个全局估计概率分布和N个局部估计概率分布之间的映射关系。
将M个全局估计概率分布和N个局部估计概率分布加载到前馈神经网络得到整体估计概率分布。
全局缓冲区模型和局部缓冲区模型分别给出了各自的估计概率分布本文构建了一个五层(序列层,Relu层,全连接层,Relu层,回归层)的前馈神经网络。如等式18,前馈神经网络定义了多个估计概率分布和最终估计概率分布之间的映射关系。
S204,采用Adam算法在线调整前馈神经网络的超参数;
S205,将所述整体概率分布加载到整数算术编码器,得到所述数据压缩模型。
此外,所述采用Adam算法在线调整前馈神经网络的超参数的步骤,包括:
将M个全局估计概率分布、N个局部估计概率分布和待压缩二进制位的实际概率分布作为训练样本,利用Adam算法在线优化所述映射关系中的超参数。
采用Adam算法在线优化超参数θ。对于单个样本{x,y},采用等式19计算梯度。
等式20为时间t更新公式。
t=t+1 (20)
等式21为有偏一阶矩估计公式。
s=ρ1s+(1-ρ1)*g (21)
等式22为有偏二阶矩估计公式。
r=ρ2r+(1-ρ2)*g e g,e is hadmard product (22)
等式23为一阶矩偏差的修公式。
等式24为二阶矩偏差的修公式。
等式25为超参数θ的更新公式。
将所述整体概率分布加载到整数算术编码器,得到所述数据压缩模型。加载到所述整数算术编码器的具体步骤,包括:
如果当前区间不处于区间[0,Max/2)、[Max/4,3*Max/4)或[Max/2,1)之内,跳出循环;如果当前区间处于[0,Max/2),输出0和Follow个1,重置Follow为0,线性的将区间[0,Max/2)扩大为[0,Max);如果当前区间处于[Max/2,1),输出1和Follow个0,重置Follow为0,线性的将区间[Max/2,Max)扩大为[0,Max);如果当前区间处于[Max/4,3*Max/4),Follow增加1,线性的将区间[Max/4,3*Max/4)扩大为[0,Max)。重复本步骤,直到跳出循环。
重复上述S201、S202、S203、S204和S205等多个步骤,直到待压缩符号全部编码完成。如果当前区间的Low小于Max/4,输出1,输出Follow个0;如果当前区间的Low大于Max/4,输出0,输出Follow个1。
试验证明,分别采用PPMd,LZMA,LZMA2,BZIP2和本发明实施提供的基于前馈神经网络的适用于数控机床G代码数据的整数算术编码等算法,来压缩Calgary corpus中的book1、book2和Paper1以及G代码,评价指标为压缩率。如表1所示,对比了不同算法的压缩效果。可以得出对于所有文件,相比于PPMd,基于前馈神经网络的适用于数控机床G代码数据的整数算术编码的压缩率平均提高了36%。
表1
由此可得,上述基于前馈神经网络的适用于数控机床G代码数据的整数算术编码构造了0~M元和0~N元语法模型。每一个模型都是一个弱学习器。这些模型都具有很好的预测精度,但又各不相同。相比于单一模型,基于前馈神经网络的适用于数控机床G代码数据的整数算术编码有更好的预测精度。
此外,自适应指数平滑估计算法可以自适应的调整平滑率。对于文本序列来说,相隔较远的符号之间的相关性通常小于相邻符号之间的相关性。自适应指数平滑估计算法充分利用了这一特点。自适应上下文树加权算法支持σi的自适应调整。前馈神经网络可以逼近任意非线性函数。Adam可以在线优化超参数的取值。此外,Book1、Book2和Paper1的提高量明显高于数控代码。Book1、Book2和Paper1是非结构化文本,G代码是结构化文本。对于非结构化文本,与基于前馈神经网络的适用于数控机床G代码数据的整数算术编码相比,传统压缩算法难以挖掘符号之间的依赖关系。对于结构化文本,传统压缩算法取得了良好的压缩效果,基于前馈神经网络的适用于数控机床G代码数据的整数算术编码仍然降低了压缩率。
基于前馈神经网络的适用于数控机床G代码数据的整数算术编码建立了全局缓冲区和局部缓冲区,并分别建立了0~M元和0~N元语法模型。对于全局缓冲区,自适应指数平滑估计算法被用来估计待压缩符号的概率分布。对于局部缓冲区,自适应上下文树加权算法被用来估计待压缩符号的概率分布。然后,前馈神经网络被用来调整各个估计概率分布的权重。Adam被用来在线训练前馈神经网络。最后,最终的估计概率分布被送入整数算术编码器。本文提出了自适应指数平滑估计算法,提出了自适应上下文树加权算法,提出了模糊化的粒子群算法。文中,模糊化的粒子群算法采用正态隶属度函数。模糊粒子群算法被用来在线优化自适应上下文树加权算法的参数σi。
综上所述,相比现有技术,本发明主要具备如下有益效果:
1.采用Calgary corpus中的book1、book2和Paper1以及数控代码等数据作作为实验数据,相比于分别采用PPMd、LZMA、LZMA2、BZIP2等压缩方法,基于前馈神经网络的适用于数控机床G代码数据的整数算术编码将压缩率平均提高了36%。
2.相比于PPMd、LZMA、LZMA2、BZIP2等压缩方法,基于前馈神经网络的适用于数控机床G代码数据的整数算术编码的压缩参数选取容易,可调节区间较大。基于前馈神经网络的适用于数控机床G代码数据的整数算术编码的压缩参数在可调区间内变化对其压缩率影响很小。
与上面的方法实施例相对应,参见图5,本公开实施例还提供了一种数控机床G代码数据无损压缩装置50,包括:
确定模块501,用于确定待压缩的目标数据;
参数模块502,用于设置压缩参数;
初始化模块503,用于根据所述压缩参数初始化数据压缩模型,其中,所述数据压缩模型包括全局缓冲区模型和局部缓冲区模型;
处理模块504,用于将所述目标数据输入到初始化后的所述数据压缩模型,得到所述目标数据的压缩结果。
图5所示装置可以对应的执行上述方法实施例中的内容,本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图6,本公开实施例还提供了一种电子设备60,该电子设备包括:
至少一个处理器;以及,
与至少一个该处理器通信连接的存储器;其中,
该存储器存储有可被至少一个该处理器执行的指令,该指令被至少一个该处理器执行,以使至少一个该处理器能够执行前述方法实施例中的数控机床G代码数据无损压缩方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的数控机床G代码数据无损压缩方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,该计算机执行前述方法实施例中的数控机床G代码数据无损压缩方法。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等输出装置607;包括例如磁带、硬盘等存储装置608;以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备能够实现上述方法实施例提供的方案。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备能够实现上述方法实施例提供的方案。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,示意了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种数控机床G代码数据无损压缩方法,其特征在于,所述方法包括:
建立全局缓冲区模型和局部缓冲区模型;
利用所述全局缓冲区模型计算待压缩二进制位的M个全局估计概率分布,以及,利用所述局部缓冲区模型计算待压缩二进制位的N个局部估计概率分布,其中,M和N均为正整数;
搭建前馈神经网络,根据所述M个全局估计概率分布的权重和所述N个局部估计概率分布的权重,计算整体估计概率分布;
采用Adam算法在线调整前馈神经网络的超参数;
将所述整体估计概率分布加载到整数算术编码器,得到数据压缩模型;
确定待压缩的目标数据;
确定压缩参数的取值,其中,所述压缩参数包括步长、初始平滑率、局部缓冲区的语法模型的最大元数、缓冲区长度、全局缓冲区的语法模型的最大元数、随机种子和自适应上下文树加权算法的阶数;
根据所述压缩参数初始化数据压缩模型,其中,所述数据压缩模型包括基于自适应指数平滑估计算法的全局缓冲区模型和基于自适应上下文树加权算法的局部缓冲区模型;
将所述目标数据输入到初始化后的所述数据压缩模型,得到所述目标数据的压缩结果。
2.根据权利要求1所述的方法,其特征在于,所述利用所述全局缓冲区模型计算待压缩二进制位的M个全局估计概率分布的步骤,包括:
在所述全局缓冲区模型建立0~M元语法模型;
采用自适应指数平滑估计算法,计算所述待压缩二进制位的M个全局估计概率分布。
3.根据权利要求2所述的方法,其特征在于,所述采用自适应指数平滑估计算法,计算所述待压缩二进制位的M个全局估计概率分布的步骤,包括:
配置所述自适应指数平滑估计算法;
采用所述自适应指数平滑估计算法,计算所述待压缩二进制位的M个全局估计概率分布。
4.根据权利要求3所述的方法,其特征在于,所述采用自适应指数平滑估计算法,计算所述待压缩二进制位的M个全局估计概率分布的步骤,即
5.根据权利要求1所述的方法,其特征在于,所述利用所述局部缓冲区模型计算待压缩二进制位的N个局部估计概率分布的步骤,包括:
在所述局部缓冲区模型建立0~N元语法模型;
采用自适应上下文树加权算法,计算所述待压缩二进制位的N个局部估计概率分布。
6.根据权利要求5所述的方法,其特征在于,所述采用自适应上下文树加权算法,计算所述待压缩二进制位的N个局部估计概率分布的步骤,包括:
配置所述自适应上下文树加权算法;
采用所述自适应上下文树加权算法,计算所述待压缩二进制位的N个局部估计概率分布。
8.根据权利要求7所述的方法,其特征在于,所述自适应上下文树加权算法的步骤,包括:
每压缩一个二进制位后,采用隶属度函数为正态隶属度的模糊粒子群算法在线调整自适应上下文树加权算法的参数σi。
9.根据权利要求1所述的方法,其特征在于,所述搭建前馈神经网络,根据所述M个全局估计概率分布的权重和所述N个局部估计概率分布的权重,计算整体估计概率分布的步骤,包括:
搭建所述前馈神经网络,其中,所述前馈神经网络依次包括序列层、第一线性整流层、全连接层、第二线性整流层和回归层;
将M个全局估计概率分布和N个局部估计概率分布加载到前馈神经网络得到整体估计概率分布。
10.根据权利要求1所述的方法,其特征在于,所述采用Adam算法在线调整所述前馈神经网络的超参数的步骤,包括:
将M个全局估计概率分布、N个局部估计概率分布和待压缩二进制位的实际概率分布作为训练样本,利用Adam算法在线优化所述前馈神经网络中的超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010080647.5A CN111309690B (zh) | 2020-02-05 | 2020-02-05 | 一种数控机床g代码数据无损压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010080647.5A CN111309690B (zh) | 2020-02-05 | 2020-02-05 | 一种数控机床g代码数据无损压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111309690A CN111309690A (zh) | 2020-06-19 |
CN111309690B true CN111309690B (zh) | 2022-10-21 |
Family
ID=71154576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010080647.5A Active CN111309690B (zh) | 2020-02-05 | 2020-02-05 | 一种数控机床g代码数据无损压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111309690B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1682448A (zh) * | 2002-07-12 | 2005-10-12 | 斯利普斯特里姆数据公司 | 使用贪婪的顺序上下文相关文法变换的改进的无损耗数据压缩方法 |
CN101841932A (zh) * | 2010-05-10 | 2010-09-22 | 南京邮电大学 | 无线传感器网络中基于动态分簇的分布式压缩感知方法 |
CN102611454A (zh) * | 2012-01-29 | 2012-07-25 | 上海锅炉厂有限公司 | 一种实时历史数据动态无损压缩方法 |
CN102684703A (zh) * | 2012-04-26 | 2012-09-19 | 北京师范大学 | 一种高效的数字高程模型数据无损压缩的方法 |
CN103780263A (zh) * | 2012-10-22 | 2014-05-07 | 株式会社特博睿 | 数据压缩装置、数据压缩方法及记录介质 |
CN104007705A (zh) * | 2014-05-05 | 2014-08-27 | 上海交通大学 | 小线段路径压缩平滑的前瞻插补系统 |
CN105022593A (zh) * | 2015-08-18 | 2015-11-04 | 南京大学 | 一种基于数据压缩和数据去冗协同的存储优化方法 |
CN105846993A (zh) * | 2016-03-18 | 2016-08-10 | 常州大学 | 一种工业监控浮点数据压缩加密算法 |
CN107749757A (zh) * | 2017-10-18 | 2018-03-02 | 广东电网有限责任公司电力科学研究院 | 一种基于堆栈式自编码和pso算法的数据压缩方法及装置 |
CN109165615A (zh) * | 2018-08-31 | 2019-01-08 | 中国人民解放军军事科学院军事医学研究院 | 一种面向脑电信号的多分类器单路模式下的参数训练算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002039651A1 (en) * | 2000-11-13 | 2002-05-16 | Telefonaktiebolaget L M Ericsson (Publ) | Data compression of request sequences in arq protocols |
-
2020
- 2020-02-05 CN CN202010080647.5A patent/CN111309690B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1682448A (zh) * | 2002-07-12 | 2005-10-12 | 斯利普斯特里姆数据公司 | 使用贪婪的顺序上下文相关文法变换的改进的无损耗数据压缩方法 |
CN101841932A (zh) * | 2010-05-10 | 2010-09-22 | 南京邮电大学 | 无线传感器网络中基于动态分簇的分布式压缩感知方法 |
CN102611454A (zh) * | 2012-01-29 | 2012-07-25 | 上海锅炉厂有限公司 | 一种实时历史数据动态无损压缩方法 |
CN102684703A (zh) * | 2012-04-26 | 2012-09-19 | 北京师范大学 | 一种高效的数字高程模型数据无损压缩的方法 |
CN103780263A (zh) * | 2012-10-22 | 2014-05-07 | 株式会社特博睿 | 数据压缩装置、数据压缩方法及记录介质 |
CN104007705A (zh) * | 2014-05-05 | 2014-08-27 | 上海交通大学 | 小线段路径压缩平滑的前瞻插补系统 |
CN105022593A (zh) * | 2015-08-18 | 2015-11-04 | 南京大学 | 一种基于数据压缩和数据去冗协同的存储优化方法 |
CN105846993A (zh) * | 2016-03-18 | 2016-08-10 | 常州大学 | 一种工业监控浮点数据压缩加密算法 |
CN107749757A (zh) * | 2017-10-18 | 2018-03-02 | 广东电网有限责任公司电力科学研究院 | 一种基于堆栈式自编码和pso算法的数据压缩方法及装置 |
CN109165615A (zh) * | 2018-08-31 | 2019-01-08 | 中国人民解放军军事科学院军事医学研究院 | 一种面向脑电信号的多分类器单路模式下的参数训练算法 |
Non-Patent Citations (3)
Title |
---|
A code compression scheme for improving SoC performance;E.G.Nikolova 等;《Proceedings. 2003 International Sysposium on System-on-Chip》;20040226;1-7 * |
一种高效的通用数据压缩算法;李柏岩;《计算机应用与软件》;20010115(第01期);62-67 * |
数控机床可靠性技术的研究进展;李国发 等;《机械工程学报》;20130910;第49卷(第20期);130-139 * |
Also Published As
Publication number | Publication date |
---|---|
CN111309690A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102602195B1 (ko) | 트레이닝된 장단기 메모리 신경망 양자화 | |
CN113516248B (zh) | 一种量子门测试方法、装置及电子设备 | |
WO2022110640A1 (zh) | 一种模型优化方法、装置、计算机设备及存储介质 | |
CN112686031B (zh) | 文本特征提取模型的量化方法、装置、设备及存储介质 | |
CN111027672A (zh) | 一种基于交互式多尺度循环神经网络的时间序列预测方法 | |
CN109992412B (zh) | 云服务器的容量调节方法、装置、存储介质和云服务器 | |
CN111353260A (zh) | 一种基于强化学习的计算网格并行区域划分方法和装置 | |
CN117236805B (zh) | 电力设备控制方法、装置、电子设备和计算机可读介质 | |
CN116325737A (zh) | 基于树的机器学习模型的量化 | |
CN111309690B (zh) | 一种数控机床g代码数据无损压缩方法 | |
CN111598227B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
CN116937560A (zh) | 新能源出力预测方法、装置、设备及可读存储介质 | |
CN103927220A (zh) | 一种客户端中输入法的自适应调整方法及装置 | |
CN113723712B (zh) | 风电功率预测方法、系统、设备及介质 | |
CN115293889A (zh) | 信用风险预测模型训练方法、电子设备及可读存储介质 | |
CN114492641A (zh) | 电力负荷预测方法、装置、设备及存储介质 | |
Shan et al. | DRAC: a delta recurrent neural network-based arithmetic coding algorithm for edge computing | |
CN112989203A (zh) | 素材投放方法、装置、设备和介质 | |
CN111626472A (zh) | 一种基于深度混合云模型的场景趋势判断指标计算系统及方法 | |
CN111240606A (zh) | 一种基于安全内存的存储优化方法及系统 | |
CN115640896B (zh) | 多用户场景下的家庭用户电力负荷预测方法及相关设备 | |
CN116757443B (zh) | 新型配电网电力线损率预测方法、装置、电子设备和介质 | |
CN117913779A (zh) | 用电负荷信息预测方法、装置、电子设备和可读介质 | |
KR102539223B1 (ko) | 엣지 컴퓨팅 환경에서 ami 데이터 스트림 가속처리를 위한 딥 러닝 방법 | |
CN110764696B (zh) | 向量信息存储及更新的方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |