CN111836045A - 一种桥梁健康监测传感器数据的无损压缩方法 - Google Patents

一种桥梁健康监测传感器数据的无损压缩方法 Download PDF

Info

Publication number
CN111836045A
CN111836045A CN202010487335.6A CN202010487335A CN111836045A CN 111836045 A CN111836045 A CN 111836045A CN 202010487335 A CN202010487335 A CN 202010487335A CN 111836045 A CN111836045 A CN 111836045A
Authority
CN
China
Prior art keywords
prediction
data
linear
sensor data
entropy
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.)
Pending
Application number
CN202010487335.6A
Other languages
English (en)
Inventor
李健
孙鹏
肖栋梁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Jianke Innovation Technology Research Institute Co ltd
Original Assignee
Guangdong Provincial Academy of Building Research Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Provincial Academy of Building Research Group Co Ltd filed Critical Guangdong Provincial Academy of Building Research Group Co Ltd
Priority to CN202010487335.6A priority Critical patent/CN111836045A/zh
Publication of CN111836045A publication Critical patent/CN111836045A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/13—Adaptive entropy coding, e.g. adaptive variable length coding [AVLC] or context adaptive binary arithmetic coding [CABAC]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/132—Sampling, masking or truncation of coding units, e.g. adaptive resampling, frame skipping, frame interpolation or high-frequency transform coefficient masking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/184—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being bits, e.g. of the compressed video stream
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明公开了一种桥梁健康监测传感器数据的无损压缩方法，包括：S1、采用自回归模型作为线性预测的模型结构，利用工具变量法并采用信息熵最小化作为预测阶选择准则计算预测阶数，构建线性预测器；S2、利用线性预测器将原始传感器数据集转化为适合熵编码的预测误差序列；S3、使用算术编码对预测误差序列进行熵编码。本发明结合工具变量法和熵最小化准则构建基于自回归模型的预测器，可以优化基于预测的传感器网络数据压缩算法的性能，可以在不丢失传感器数据信息的情况下，显著减小传感器原始数据大小，实现大规模传感器网络的数据压缩，可用于传感器网络数据的高效传输和存储，特别是在多跳无线传感器网络中，其优势更为明显。

Description

一种桥梁健康监测传感器数据的无损压缩方法
技术领域
本发明涉及一种数据无损压缩方法，尤其涉及一种桥梁健康监测传感器数据的无损压缩方法。
背景技术
桥梁对一个国家的经济增长和公共安全起到至关重要的作用，然而，桥梁在环境载荷、材料老化和疲劳作用下，在其使用寿命期内易发生劣化和损坏。结构状态监测不仅可以提高桥梁系统的性能，而且可以为验证新型结构系统的设计提供重要信息。
在目前任何可行的结构状态监测系统中，传感器都被视为必不可少的元件，传感器数据的传输和存储路径是：压缩的传感器数据从无线传感器节点发送到簇头和本地数据采集站，再通过卫星或因特网等各种通信链路发送到中央数据处理站，数据在处理站进行解压缩和处理，然后存档至数据存储器中，供最终用户检索。
结构状态监测系统的准确性和可靠性取决于所采集传感器数据的质量。由于桥梁的规模和复杂性，其结构状态监测通常需要大量不同类型的传感器。当使用大规模传感器网络时，会产生大量的数据。为了促进传感器数据的有效传输和存储，桥梁管理人员需要使用高性能传感器数据压缩技术，特别是，高性能传感器数据压缩技术还可以解决当前无线传感器网络技术带来的功耗和有限通信带宽的问题。因此，传感器数据压缩技术势必会在大规模民用基础设施监测系统传感器数据的高效传输和存储中发挥重要作用。
由于要关注监测数据的完整性，数据压缩技术以无损压缩技术为首选。尽管许多数据压缩算法已经开发用于多媒体应用，如音频、视频和图像压缩，但是，因为现有的数据压缩技术所处理的多媒体数据与桥梁健康监测传感器数据存在不同的信息特征，所以无法将其直接应用于传感器数据。
发明内容
本发明的目的在于提供一种桥梁健康监测传感器数据的无损压缩方法，可以在不丢失传感器数据信息的情况下，显著减小传感器原始数据，用于传感器网络数据的高效传输和存储。
本发明的目的通过以下的技术措施来实现：一种桥梁健康监测传感器数据的无损压缩方法，其特征在于包括以下步骤：
S1、采用自回归模型作为线性预测的模型结构，利用工具变量法并采用信息熵最小化作为预测阶选择准则计算预测阶数，构建线性预测器；
S2、利用线性预测器将原始传感器数据集转化为适合熵编码的预测误差序列；
S3、使用算术编码对预测误差序列进行熵编码。
本发明结合工具变量法和熵最小化准则构建基于自回归模型的预测器，可以优化基于预测的传感器网络数据压缩算法的性能。对于非实时应用，该分析过程将原始数据转化为信息熵最小的预测误差序列。即使在实时应用中，由过去的数据导出的预报器对于来自平稳线性系统的数据也具有最佳的性能。因此，可以在不丢失传感器数据信息的情况下，显著减小传感器原始数据大小，实现大规模传感器网络的数据压缩，可用于传感器网络数据的高效传输和存储，特别是在多跳无线传感器网络中，其优势更为明显。
本发明在所述步骤S1中，线性预测表示为：
Figure BDA0002519653100000021
其中，
Figure BDA0002519653100000022
是第k时间步处的估计信号值；yk-i是输入信号值；p是预测阶数；βi是预测系数；
预测误差
Figure BDA0002519653100000023
采用自回归模型作为线性预测的模型结构，假设p阶自回归模型用于前
一步预测，第k时间步的预测误差为：
Figure BDA0002519653100000024
其中，ek是预测误差，αi是线性预测的系数矩阵；
采用信息熵最小化作为预测阶选择准则，m个预测误差时间历史的平均熵为：
Figure BDA0002519653100000025
计算预测阶数p：
Figure BDA0002519653100000026
构建线性预测器；
本发明算术编码是先进行统计概率估计，再将信息序列映射到概率线上的一个区间，然后将最后一个区间编码成二进制码字。
与现有技术相比，本发明具有以下显著的优点：
本发明结合工具变量法和熵最小化准则构建基于自回归模型的预测器，可以优化基于预测的传感器网络数据压缩算法的性能。对于非实时应用，该分析过程将原始数据转化为信息熵最小的预测误差序列。即使在实时应用中，由过去的数据导出的预报器对于来自平稳线性系统的数据也具有最佳的性能。因此，可以在不丢失传感器数据信息的情况下，显著减小传感器原始数据大小，实现大规模传感器网络的数据压缩，可用于传感器网络数据的高效传输和存储，特别是在多跳无线传感器网络中，其优势更为明显。
附图说明
以下结合附图对本发明作进一步的详细说明。
图1是传感器数据无损压缩与重构的流程框图；
图2是本发明线性预测器阶数选择图表；
图3是本发明与线性模型、算术编码的压缩比的比较图表；
图4是本发明与线性模型、算术编码的比特率的比较图表。
具体实施方式
数据压缩算法大致可分为两类：无损和有损数据压缩。如图1所示，在无损压缩中，重建的数据(经过压缩和解压缩)是原始数据的精确复制，保证了数据的完整性而没有任何失真。任何数据压缩算法的目标都是通过减少冗余度，使用最少的数字位尽可能准确地表示信息源。在大多数情况下，同一信息源的事件彼此关联，采用预测或变换的方法来消除原始信息源的相关性，这个阶段称为去相关阶段。去相关阶段的结果是在保留原始信息源X中所有信息的情况下，熵较小的一组新的数据Y。直接应用熵编码方法寻找更符合信息源统计特性的数字码字，可以减小数据量。
本发明一种桥梁健康监测传感器数据的无损压缩方法，包括以下步骤：
S1、构建线性预测器：
时间域和空间域中数据样本之间的相关性是原始传感器数据大小的主要冗余之一。线性预测(Linear predictor，LP)可用于去除原始传感器数据中的相关性。线性预测因子的选择通常涉及两个方面：首先必须选择一个包含预测阶数的线性预测模型结构，另一个方面是通过应用某些优化准则(如最小化预测残差)来确定预测系数的值。LP表示为：
Figure BDA0002519653100000041
其中，
Figure BDA0002519653100000042
是第k时间步处的估计信号值；yk-i是LP的输入信号值；p是预测阶数，βi是预测系数。
预测误差表示为：
Figure BDA0002519653100000043
为了进行数据压缩，预测系数βi通常是通过在最小平方意义上最小化预测误差ek来确定的。传感器网络中不同振动传感器数据之间的空间相关性可以归结为工程结构作为一个系统的整体振动响应，因此，将传感器网络视为生成三维数据的单一信息源，将LP方法扩展为矩阵形式，不仅可以分解时间相关性，还可以分解空间相关性，因此，本发明采用自回归模型作为线性预测的模型结构。
自回归(Auto-regressive，AR)模型是一种广泛应用于结构系统辨识的线性模型，是系统传递函数的线性展开，从而可以描述系统的性质。假设p阶AR模型用于前一步预测，第k时间步的预测误差为：
Figure BDA0002519653100000044
其中，ek是预测误差，αi是线性预测的系数矩阵。
(1)参数识别：在理想情况下，最优线性预测模型在数据压缩时的预测误差ek应独立于过去的数据，这意味着预测误差ek中过去数据的所有可预测信息都被过滤掉。假设系统输出稳定，线性预测的参数通过利用传感器网络信息去除振动传感器数据(即系统输出)中的时间和空间相关性。从过去的部分数据中识别这些参数，并使用这些参数对未来的数据执行实时预测。
(2)模型阶数估计：模型阶数估计是描述物理系统的数学模型选择的关键问题之一。对于数据压缩应用，基于AR模型的线性预测器可将原始数据转换为预测误差时间序列。预测误差是信息熵编码和传输的新信息源。根据Shannon理论所述，熵编码器只能找到平均长度大于或等于信息源熵的码字。因此，使m个预测误差时间序列的平均信息熵最小化可以减小最终数据大小。采用信息熵最小化作为预测阶选择准则，由于预测误差ek取决于输出测量Y和预测因子阶数p，因此m个预测误差时间历史的平均熵为：
Figure BDA0002519653100000045
采用工具变量法(IV方法)计算预测阶数p，该预测阶数p使预测误差ek与测量值Y之间的统计相关性最小。因此，通过假设线性平稳系统，预测误差的平均熵仅与预测阶数p相关，而不受不同测量结果的影响。通过将IV方法用作参数识别标准，是本发明的另一个优点。
计算预测阶数p(预测误差熵最小化准则)：
Figure BDA0002519653100000051
通过结合IV方法和预测误差熵最小化准则构建基于AR模型的线性预测器，可以优化基于预测的传感器网络数据压缩算法的性能。
S2、整数到整数映射：
数字传感器数据通常具有整数值形式，数字位数等于数据采集系统中内置的模数转换器的位数。利用步骤S1构建的线性预测器，可以将原始传感器数据集转化为比原始传感器数据更适合熵编码的预测误差序列。因为线性预测的系数矩阵αi是实数，所以原始预测误差ek序列通常由实数组成。对于无损数据压缩，实数数据是不可取的，因为与整数数据相比，实数数据需要许多位来存储。因此，整数到整数映射被应用于用于数据压缩的线性预测器。
以上阶段称为去相关阶段，可以消除原始信息源的相关性。
S3、进行熵编码：
在去相关阶段之后，传感器数据压缩的第二阶段是使用合适的熵编码器对预测误差序列进行编码。熵编码器是一种将码字分配给符号以使码字长度与符号的出现频率相匹配的编码方案。最常用的两种熵编码算法是哈夫曼编码和算术编码。哈夫曼编码对每个符号使用整数位数，而算术编码对每个符号使用实数位数。算术编码背后的基本思想是将一串数字或符号映射到0到1之间的实数范围。算术编码已被证明可对动态范围小于14位的高斯白噪声数据序列提供近乎最优的压缩。线性预测后，预测误差近似为高斯白噪声。因此，本发明将算术编码应用于熵编码。算术编码包括以下三个步骤：统计概率估计，再将信息序列映射到“概率线”上的一个区间，然后将最后一个区间编码成二进制码字。
如图2～4所示，以某加速度响应数据为例，传感器为128Hz的采样频率，共20秒持续时间共2560个采样点。然后对实测的传感器网络数据进行了分析，并对结果进行了讨论。
本发明的传感器网络数据压缩方法是从线性预测器识别开始的。采用IV方法和最小剩余熵准则来识别具有最优数据压缩性能的线性预测器。图2表示了预测阶数(Predictor Qrder)对数据的平均剩余熵(Ave.Residue Entropy)的影响。从图2中可以看出，从数据压缩的角度考虑，8阶预测器具有更好的性能。
如图3和4所示，采用三种不同的数据压缩方法AR method(本发明)、LP Method(线性模型)和Arith.Cod(算术编码)对比了六种情况模拟数据的压缩结果。其中，图4中的结果图比特率(Bit Ratio)定义为表示每个采样点的平均比特数。图3中的压缩比(CompressionRatio)等于原始比特率(12位/样本)与压缩后的比特率之比。图3和图4验证了相对于其它两种方法，本发明压缩性能更加稳定，可以用大约2比特/样本来表示原始的12比特/样本数据。

Claims (3)

1.一种桥梁健康监测传感器数据的无损压缩方法，其特征在于包括以下步骤：
S1、采用自回归模型作为线性预测的模型结构，利用工具变量法并采用信息熵最小化作为预测阶选择准则计算预测阶数，构建线性预测器；
S2、利用线性预测器将原始传感器数据集转化为适合熵编码的预测误差序列；
S3、使用算术编码对预测误差序列进行熵编码。
2.根据权利要求1所述的桥梁健康监测传感器数据的无损压缩方法，其特征在于：在所述步骤S1中，线性预测表示为：
Figure FDA0002519653090000011
其中，
Figure FDA0002519653090000012
是第k时间步处的估计信号值；yk-i是输入信号值；p是预测阶数；βi是预测系数；
预测误差
Figure FDA0002519653090000013
采用自回归模型作为线性预测的模型结构，假设p阶自回归模型用于前一步预测，第k时间步的预测误差为：
Figure FDA0002519653090000014
其中，ek是预测误差，αi是线性预测的系数矩阵；
采用信息熵最小化作为预测阶选择准则，m个预测误差时间历史的平均熵为：
Figure FDA0002519653090000015
其中，m是传感器数量，n是单个传感器数据样本数，Y是系统输出值(及测量的传感器数据)，p是预测阶数，P是该事件发生的概率；
计算预测阶数p：
Figure FDA0002519653090000016
构建线性预测器。
3.根据权利要求2所述的桥梁健康监测传感器数据的无损压缩方法，其特征在于：算术编码是先进行统计概率估计，再将信息序列映射到概率线上的一个区间，然后将最后一个区间编码成二进制码字。
CN202010487335.6A 2020-06-02 2020-06-02 一种桥梁健康监测传感器数据的无损压缩方法 Pending CN111836045A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010487335.6A CN111836045A (zh) 2020-06-02 2020-06-02 一种桥梁健康监测传感器数据的无损压缩方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010487335.6A CN111836045A (zh) 2020-06-02 2020-06-02 一种桥梁健康监测传感器数据的无损压缩方法

Publications (1)

Publication Number Publication Date
CN111836045A true CN111836045A (zh) 2020-10-27

Family

ID=72897543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010487335.6A Pending CN111836045A (zh) 2020-06-02 2020-06-02 一种桥梁健康监测传感器数据的无损压缩方法

Country Status (1)

Country Link
CN (1) CN111836045A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330524A (zh) * 2021-12-23 2022-04-12 重庆水利电力职业技术学院 桥梁健康监测数据处理与压缩融合方法
CN116193156A (zh) * 2022-12-30 2023-05-30 北京天兵科技有限公司 航天遥测码流地面传输分组压缩编码方法、装置和系统
CN114330524B (zh) * 2021-12-23 2024-10-29 重庆水利电力职业技术学院 桥梁健康监测数据处理与压缩融合方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5903676A (en) * 1994-11-10 1999-05-11 The Chinese University Of Hong Kong Context-based, adaptive, lossless image codec
CN1991978A (zh) * 2005-12-28 2007-07-04 财团法人工业技术研究院 无失真音频压缩/解压缩熵压缩编码之装置及其方法
CN101741504A (zh) * 2008-11-24 2010-06-16 华为技术有限公司 一种确定信号线性预测编码阶数的方法和装置
CN102449691A (zh) * 2009-06-03 2012-05-09 日本电信电话株式会社 Parcor系数量化方法、parcor系数量化装置、程序以及记录介质
CN102710263A (zh) * 2012-05-31 2012-10-03 西安电子科技大学 基于熵判决最优差分编码的lzw压缩方法
CN103888144A (zh) * 2014-03-04 2014-06-25 上海挚连科技有限公司 基于信息熵优选的自适应数据预测编码算法
CN107135004A (zh) * 2017-04-20 2017-09-05 中国科学技术大学 一种对地震数据流的自适应实时无损压缩方法
CN108959188A (zh) * 2018-05-03 2018-12-07 西安交通大学 基于量化最小误差熵准则的格兰杰因果判辨方法
CN110265043A (zh) * 2019-06-03 2019-09-20 同响科技股份有限公司 自适应有损或无损的音讯压缩和解压缩演算方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5903676A (en) * 1994-11-10 1999-05-11 The Chinese University Of Hong Kong Context-based, adaptive, lossless image codec
CN1991978A (zh) * 2005-12-28 2007-07-04 财团法人工业技术研究院 无失真音频压缩/解压缩熵压缩编码之装置及其方法
CN101741504A (zh) * 2008-11-24 2010-06-16 华为技术有限公司 一种确定信号线性预测编码阶数的方法和装置
CN102449691A (zh) * 2009-06-03 2012-05-09 日本电信电话株式会社 Parcor系数量化方法、parcor系数量化装置、程序以及记录介质
CN102710263A (zh) * 2012-05-31 2012-10-03 西安电子科技大学 基于熵判决最优差分编码的lzw压缩方法
CN103888144A (zh) * 2014-03-04 2014-06-25 上海挚连科技有限公司 基于信息熵优选的自适应数据预测编码算法
CN107135004A (zh) * 2017-04-20 2017-09-05 中国科学技术大学 一种对地震数据流的自适应实时无损压缩方法
CN108959188A (zh) * 2018-05-03 2018-12-07 西安交通大学 基于量化最小误差熵准则的格兰杰因果判辨方法
CN110265043A (zh) * 2019-06-03 2019-09-20 同响科技股份有限公司 自适应有损或无损的音讯压缩和解压缩演算方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
徐全生;林森;: "管道泄漏信号的无损压缩技术", 沈阳工业大学学报, no. 06, pages 678 - 681 *
李媛媛;景文博;刘学;王晓曼;张瑜;: "基于混合预测高光谱图像无损压缩", 长春理工大学学报(自然科学版), no. 01, pages 78 - 81 *
石燕嵩;文玉梅;李平;: "传感信号采集中的误差受控压缩与压缩上限的确定", 传感技术学报, no. 08, pages 118 - 121 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330524A (zh) * 2021-12-23 2022-04-12 重庆水利电力职业技术学院 桥梁健康监测数据处理与压缩融合方法
CN114330524B (zh) * 2021-12-23 2024-10-29 重庆水利电力职业技术学院 桥梁健康监测数据处理与压缩融合方法
CN116193156A (zh) * 2022-12-30 2023-05-30 北京天兵科技有限公司 航天遥测码流地面传输分组压缩编码方法、装置和系统
CN116193156B (zh) * 2022-12-30 2024-09-20 北京天兵科技有限公司 航天遥测码流地面传输分组压缩编码方法、装置和系统

Similar Documents

Publication Publication Date Title
TWI515720B (zh) 壓縮數位化音訊信號之方法、解碼已編碼壓縮數位化音訊信號之方法、及機器可讀儲存媒體
CN107135004B (zh) 一种对地震数据流的自适应实时无损压缩方法
CN103280221B (zh) 一种基于基追踪的音频无损压缩编码、解码方法及系统
Chen et al. A new lossy compression algorithm for wireless sensor networks using Bayesian predictive coding
US8238290B2 (en) Compressing data in a wireless multi-hop network
CN115883670B (zh) 一种医疗数据分析采集方法及装置
US5034965A (en) Efficient coding method and its decoding method
KR960006301A (ko) 음향 신호 부호화/복호화 방법
CN101640803A (zh) 一种用于多光谱图像的渐进的分布式编解码方法及装置
CN115695564B (zh) 一种物联网数据的高效传输方法
CN102282770B (zh) 一种参数选择方法、参数选择装置
US20140006036A1 (en) Method and apparatus for coding and decoding
CN111836045A (zh) 一种桥梁健康监测传感器数据的无损压缩方法
CN108390871B (zh) 一种基于自回归模型帧预测的雷达数据压缩方法
JP2012134858A (ja) データ圧縮装置及びデータ圧縮方法及びデータ圧縮プログラム
Bhatnagar et al. Image compression using dct based compressive sensing and vector quantization
KR100989686B1 (ko) 데이터 소스에 의해 생성된 비트 심볼들을 처리하기 위한 방법 및 장치, 컴퓨터 판독가능 매체, 컴퓨터 프로그램 요소
CN101816178A (zh) 在解码器中校正量化系数的方法和设备
KR20040075944A (ko) 디지털 정보신호의 데이터 압축 및 압축해제
JP4918103B2 (ja) 符号化方法、復号方法、それらの装置、プログラム及び記録媒体
CN106572093A (zh) 一种无线传感器阵列数据压缩方法及系统
US6154155A (en) General frame-based compression method
Elshafey Linear Prediction and Rice Codes Based Two-Stage Method for Lossless Telemetry Data Compression
JPS6253026A (ja) 適応直交変換符号化方式とその装置
CN114629501B (zh) 一种机械加工过程状态信息的边缘数据分类压缩方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210322

Address after: 528437 room 409-17, 4 / F, building C, innovation center building, 34 Xiangshan Avenue, Cuiheng New District, Zhongshan City, Guangdong Province

Applicant after: Guangdong Jianke Innovation Technology Research Institute Co.,Ltd.

Address before: 510500 No. 121 martyrs East Road, Guangzhou, Guangdong, Tianhe District

Applicant before: GUANGDONG PROVINCIAL ACADEMY OF BUILDING RESEARCH GROUP Co.,Ltd.

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination