CN115766607A - 一种基于5g物联网的数据压缩传输方法 - Google Patents

Abstract

本发明涉及数据压缩传输技术领域，提出了一种基于5G物联网的数据压缩传输方法，包括：获取工厂的生产设备工况数据；通过生产设备工况数据中不同迭代周期获取其自相关系数，得到相应的最小周期并构建二维矩阵；对数据点分别获取同一周期内的第一异常程度及相邻周期内的第二异常程度，并得到数据点的第三异常程度；再对LOF算法进行修正，获取修正后的局部可达密度及局部离群因子，根据局部离群因子获取最优邻域K值，以最优邻域K值作为自适应分段大小，与之对应的局部可达距离作为自适应分段容差，对二维矩阵设备工况数据进行旋转门算法压缩，得到压缩结果并进行传输。本发明实现了对旋转门压缩算法的自适应获取最优分段以及最优分段容差。

Description

一种基于5G物联网的数据压缩传输方法

技术领域

本申请涉及数据压缩传输领域，具体涉及一种基于5G物联网的数据压缩传输方法。

背景技术

随着5G物联网技术的发展，许多制造业采用安装物联网传感器的方式进行设备工况的检测。由于工厂的设备工况数据是随着时间变化而变化，并且对于正常生产运行的工厂设备，其数据均是在一定的范围内进行波动。因此工厂中的设备工况数据有着数据量庞大性以及稳定波动性特点，故在进行设备工况数据压缩过程中，根据上述数据特征可进行适当进行有损压缩来保证数据的压缩率。因此在对该类数据进行压缩过程中，旋转门压缩算法作为一种分段的线性有损压缩算法，适合于本案的目标数据，该算法有着计算简单、数据率较大的优点。然而，旋转门压缩算法中由于需要根据数据容差来进行数据压缩，而数据容差往往通过人工设置，无法根据数据本身表现进行自适应分段容差，进而提高压缩率。

发明内容

本发明提供一种基于5G物联网的数据压缩传输方法，以解决现有的无法自适应获取旋转门压缩算法的最优分段以及最优分段容差的问题，所采用的技术方案具体如下：

本发明一个实施例提供了一种基于5G物联网的数据压缩传输方法，该方法包括以下步骤：

通过布置的5G物联网监控平台中的数据传感器，获取工厂的生产设备工况数据；

通过生产设备工况数据中不同迭代周期的自相关系数获取最小周期，根据最小周期构建设备工况数据的二维矩阵；

对二维矩阵中的目标数据点，根据同一行上目标数据点的相邻两侧数据点斜率均值之间的差异得到目标数据点的行信息权重值，根据行信息权重值以及目标数据点与行方向上的相邻两侧数据点的差异得到第一异常程度；根据同一列上目标数据点的相邻两侧数据点斜率均值之间的差异得到目标数据点的列信息权重值，根据列信息权重值以及目标数据点与列方向上的相邻两侧数据点的差异得到第二异常程度，根据第一异常程度及第二异常程度获取目标数据点的第三异常程度；

通过LOF算法中邻域大小K值迭代的方式，以目标数据点的第三异常程度对LOF算法修正，获取修正后的局部可达密度及修正后的局部离群因子，根据局部离群因子大小获取最优邻域K值，以最优邻域K值大小作为旋转门算法中的自适应分段大小，以最优邻域K值对应的局部可达距离作为旋转门算法中的自适应分段容差；

以自适应分段大小及自适应分段容差对二维矩阵中设备工况数据采用行方向上的自适应旋转门压缩算法，得到对生产设备工况数据的压缩结果，并将压缩结果进行传输。

可选的，所述通过生产设备工况数据中不同迭代周期的自相关系数获取最小周期的方法为：

根据生产设备工况数据获取不同迭代周期下的自相关系数，构建自相关系数曲线，所述自相关系数曲线横坐标为迭代周期，纵坐标为自相关系数，对自相关系数曲线图平滑后，将第一个自相关系数局部最大值所对应的迭代周期作为最小周期。

可选的，所述的第一异常程度的获取方法为：

其中，g_ij为二维数据矩阵中第i行中的第j个目标数据点，α_ij即为目标数据点g_ij同一周期内的第一异常程度；Δkh(g_ij)表示目标数据点g_ij的行信息权重值；F_ij表示目标数据点g_ij数据值；2h表示设置的目标数据点g_ij的行方向上相邻两侧的数据点个数；F_ij(u)表示目标数据点g_ij的行方向上相邻两侧中的第u个数据点的数据值；th{·}表示双曲正切函数。

可选的，所述的第二异常程度的获取方法为：

其中，g_ij为二维数据矩阵中第i行中的第j个目标数据点，β_ij即为目标数据点g_ij相邻周期内的第二异常程度；Δkl(g_ij)表示目标数据点g_ij的列信息权重值；F_ij表示目标数据点g_ij数据值；2l表示设置的目标数据点g_ij的列方向上相邻两侧的数据点个数；F_ij(v)表示目标数据点g_ij的列方向上相邻两侧中的第v个数据点的数据值；th{·}表示双曲正切函数。

可选的，所述的第三异常程度为目标数据点的第一异常程度与第二异常程度的乘积。

可选的，所述获取修正后的局部可达密度的方法为：

其中，K_m为第m次迭代对应的邻域大小的K值，

为修正后的数据点g_ij的局部可达密度，

表示二维数据矩阵中第i行中的第j个数据点g_ij对K_m邻域大小范围内数据点的个数；γ_ij表示数据点g_ij的第三异常程度；g′_c表示数据点g_ij在K_m邻域范围内的第c个数据点；d(g′_c,g_ij)表示数据点g_ij与数据点g′_c的可达距离。

可选的，所述修正后的局部离群因子的获取方法为：

根据获取到的修正后的局部可达密度，通过LOF异常检测算法获得修正后的局部离群因子。

可选的，所述根据局部离群因子大小获取最优邻域K值的方法为：

第m次迭代中邻域大小K值对应的局部离群因子为

设置局部离群因子第一预设阈值，当局部离群因子小于第一预设阈值时，表明当前K值即为最优邻域K值。

本发明的有益效果是：通过模态转化的思想，根据采集的设备工况数据的最小周期，将一维的数据信号转换为二维矩阵，分析二维矩阵中行方向上的数据变化和列方向上的数据变化来表征数据点的异常程度。通过每个数据点的异常程度值来修正LOF算法中的局部可达距离，进而获取到LOF算法中的最优邻域K值以及对应的最优的局部可达距离，以此来自适应获取旋转门压缩算法的最优分段值和对应的分段容差。综合考虑了数据点的异常程度的影响，并且避免了传统的旋转门压缩算法中使用固定的分段大小以及分段容差，使得每个数据点表征的信息过多损失的缺点，为数据压缩提供准确的压缩参数参考。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一个实施例所提供的该种基于5G物联网的数据压缩传输方法的流程示意图；

图2为具体的5G物联网监控平台结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，其示出了本发明一个实施例所提供的该种基于5G物联网的数据压缩传输方法流程图，该方法包括以下步骤：

步骤S001、布置基于5G物联网监控平台中的数据传感器，获取当前时间工厂的生产设备工况数据。

请参阅图2，通过在工厂生产设备安装工况数据传感器，并将传感器采集的数据通过5G物联网传输至服务器中，通过数据监控平台进行数据监控。其中在数据传输过程中由于设备的数据量较大，需要一种合适的压缩算法来满足数据的压缩传输要求，其中本案以采集的设备工况数据中的电压数据作为示例说明。其中5G物联网监控平台包括5G物联网传感器、数据服务器、数据监控平台以及对应的用于数据传输的传输系统。

旋转门压缩算法中由于需要根据数据容差来进行数据压缩，而数据容差往往通过人工设置。因此本发明通过对采集的设备工况数据进行最小周期计算，能够获取经过最小周期划分后的等长设备工况数据值，并构建二维矩阵。根据二维矩阵中的数据点在同一周期内的第一异常程度和相邻周期之间的第二异常程度，来综合获取数据点的第三异常程度。并根据数据点的第三异常程度对LOF算法进行修正局部可达距离计算处理，得到当前采集的设备工况数据的所有最优分段以及对应的最优分段容差，进而进行自适应旋转门压缩算法。

步骤S002、对采集的设备工况数据进行最小周期计算，能够获取经过最小周期划分后的等长设备工况数据值，并构建二维矩阵。

由于工厂的设备工况数据中存在一定的数据周期性，因此对于旋转门压缩算法中为了自适应获取分段容差，首先需要根据最小周期对采集的设备工况数据进行分周期处理，并根据数据模态转换的思想，将分周期处理后的设备工况数据进行一维数据至二维数据矩阵的转换，为之后自适应获取旋转门压缩算法中的分段容差提供计算基础，并且使得相邻周期之间的设备工况数据之间的特征更加明显。

进一步的，对历史先验数据通过迭代周期T的大小(T的初始值设置为5，步长为2进行迭代)来进行自相关系数的计算，构建自相关系数曲线图(横坐标为迭代周期T值大小，纵坐标为自相关系数)，进而获取满足周期要求的数据最小周期。

具体的，在所有的周期T值大小迭代过程中，其中第a次迭代过程的周期T_a值的自相关系数ε_a的计算方法为：

其中，B表示历史先验数据中数据点的总个数；F_b表示历史先验数据中第b个数据点的数据值的大小；mean(F)表示历史先验数据中所有数据点的数据值均值；

表示历史先验数据中第b-T_a个数据点的数据值的大小。

进一步的，构建自相关系数曲线图并进行曲线平滑。由于数据具有周期特征，则随着迭代周期的变化，其自相关系数是随着周期变大而变大，当迭代至周期大小包括周期大小的倍数时，自相关系数会达到最大值，因此其对应的自相关系数同样呈现周期性特征，则对应的最小周期即为曲线平滑后第一个局部最大值对应的迭代周期T′值，即为所述的数据最小周期。

进一步的，根据获取到的数据最小周期将当前时间采集的设备工况数据进行最小周期划分，可获得经过最小周期划分后的等长的设备工况数据值。进一步的，将每个划分后的等长设备工况数据值进行纵向排列，即每一行内的数据为一个最小周期内的数据，生成二维数据矩阵，其中二维数据矩阵中具有T′列、

行，其中若最后一行中数据不够，则进行数据补位，补位的数据值为0，则得到了对于设备工况数据模态转换构建的二维矩阵。

步骤S003、获取二维矩阵中数据点在同一周期内的第一异常程度和相邻周期之间的第二异常程度，并综合得到数据点的第三异常程度。

为了自适应获取旋转门压缩算法中的分段容差，根据上述步骤获取的设备工况二维数据矩阵，通过使用自适应距离度量的LOF局部离群因子算法，自适应获取数据点最优的邻域K值，进而获取最优的局部可达距离，对应的即为分段容差。而由于LOF局部离群因子算法中仅根据数据点之间的欧式距离进行计算，没有保证每个数据点本身的异常程度，因此本案通过计算数据点在不同周期之间的异常程度表现，来综合获取数据的第三异常程度。其中数据点在不同周期之间的异常程度通过其数据点所在周期内即行数据的变化，以及相邻周期内即列数据的变化来表征。其中对于数据点所在周期内数据的变化中，由于设备工况数据中，每个数据点之间的信息量不同，因此在计算数据点的行数据变化时，需要引入每个数据点的信息权重值。对应的对于数据点相邻周期内即列数据的变化中，同样引入每个数据点的信息权重值。

具体的，通过计算当前数据点和行方向上相邻数据点之间的斜率均值差异来表征该数据点的行信息权重值，若斜率均值差异越大，则表明当前像素点在同行内含有的信息量就越多，对应的其信息权重值就越大，因此在计算当前数据点的第一异常程度时，引入行信息权重值进行计算。

进一步的，对获取的二维数据矩阵中所有行内进行数据点的分析，以二维数据矩阵中第i行中的第j个数据点g_ij为例，通过计算数据点g_ij的相邻数据点之间的连续变化程度之间的差异，来表征该数据点的行信息权重值。

具体的，计算数据点g_ij行方向上相邻两侧各h个数据点(其中h可根据实施者具体实施情况而定，本发明给出经验参考值h＝10)计算两侧数据点斜率均值，数据点g_ij左侧的斜率均值(即为数据点g_ij左侧的数据点两两之间计算斜率值，进而得到斜率均值)记为k1(g_ij)，数据点g_ij右侧的斜率均值(即为数据点g_ij右侧的数据点两两之间计算斜率值，进而得到斜率均值)记为k2(g_ij)，则对应的数据点g_ij行方向上相邻两侧数据点斜率均值之间的差异Δkh(g_ij)的计算方法为：

Δkh(g_ij)＝|k1(g_ij)-k2(g_ij)|

其中，k1(g_ij)表示数据点g_ij左侧h个数据点的斜率均值；k2(g_ij)表示数据点g_ij右侧h个数据点的斜率均值。

进一步的，将数据点g_ij的相邻两侧数据点的斜率均值之间的差异作为该数据点的行信息权重值，则对应的为了计算数据点所在周期内即行数据的变化，该数据点的第一异常程度α_ij的计算方法为：

其中，Δkh(g_ij)表示数据点g_ij行方向上相邻两侧数据点斜率均值之间的差异，用于表征该数据点的行信息权重值；F_ij表示数据点g_ij数据值；2h表示设置的数据点g_ij的行方向上相邻两侧的数据点个数；F_ij(u)表示数据点g_ij的行方向上相邻两侧中的第u个数据点的数据值；th{·}表示双曲正切函数，用于进行归一化处理。

此处得到的第一异常程度用以表征数据点在同一周期内，是否出现与邻近数据点有较大突变差异的异常。同一周期内数据有相应的变化规律，而当某一数据点与邻近数据点间都出现超出规律范围的较大差异时，即该数据出现了不满足变化规律的突变异常，表明该数据可能受到设备异常运行影响在同一周期内信息含量增多。

进一步的，通过计算当前数据点和列方向上相邻数据点之间的斜率均值差异来表征该数据点的列信息权重值，若斜率均值差异越大，则表明当前像素点在同列内含有的信息量就越多，对应的其信息权重值就越大，因此在计算当前数据点的第二异常程度时，引入列信息权重值进行计算。

具体的，对于数据点g_ij所在周期的相邻周期之间内，在不同周期内的同一个列方向上的异常程度，计算列方向上相邻两侧数据点斜率均值之间的差异，用于表征该数据点的列信息权重值。

具体的，计算数据点g_ij列方向上相邻两侧各l个数据点(其中l可根据实施者具体实施情况而定，本发明给出经验参考值l＝5)计算两侧数据点斜率均值，数据点g_ij上方的斜率均值(即为数据点g_ij上方的数据点两两之间计算斜率值，进而得到斜率均值)记为k3(g_ij)，数据点g_ij下方的斜率均值(即为数据点g_ij下方的数据点两两之间计算斜率值，进而得到斜率均值)记为k4(g_ij)，则对应的数据点g_ij行方向上相邻两侧数据点斜率均值之间的差异Δkl(g_ij)的计算方法为：

Δkl(g_ij)＝|k3(g_ij)-k4(g_ij)|

其中，k3(g_ij)表示数据点g_ij上方l个数据点的斜率均值；k4(g_ij)表示数据点g_ij下方l个数据点的斜率均值。

进一步的，将数据点g_ij在不同周期内的同一个列方向上斜率均值之间的差异作为该数据点的列信息权重值，则对应的为了计算数据点在相邻周期内即列数据的变化，该数据点的第二异常程度β_ij的计算方法为：

其中，Δkl(g_ij)表示数据点g_ij列方向上相邻两侧数据点斜率均值之间的差异，用于表征该数据点的列信息权重值；F_ij表示数据点g_ij数据值；2l表示设置的数据点g_ij的列方向上相邻两侧的数据点个数；F_ij(v)表示数据点g_ij的列方向上相邻两侧中的第v个数据点的数据值；th{·}表示双曲正切函数，用于进行归一化处理。

此处得到的第二异常程度用以表征同一位置数据点在不同周期内，是否出现较大波动差异的异常。在不同周期内的同一位置数据点，其数据值间关系可能因为周期间变化关系呈现相等或渐变递增递减，如果某一数据点出现明显离群的表现，表明该数据点在该周期内的该位置相较于其他周期时序上因为设备运行异常而携带了部分重要信息。

进一步的，根据已经获取的第一异常程度及第二异常程度，得到对应的在二维数据矩阵中第i行中的第j个数据点g_ij的第三异常程度γ_ij，其计算方法为：

γ_ij＝α_ij×β_ij

其中，α_ij表示数据点g_ij的第一异常程度；β_ij表示数据点g_ij的第二异常程度。

至此，根据二维矩阵中的数据点在同一周期内的第一异常程度及相邻周期之间的第二异常程度，综合获取了对于数据点的第三异常程度。而第三异常程度通过结合行方向上的第一异常程度和列方向上的第二异常程度，综合考虑了数据点可能在同一周期内或不同周期同一位置内因设备运行异常所增多的重要信息。

步骤S004、根据数据点的第三异常程度修正LOF算法中的局部可达距离，并以此得到当前采集的设备工况数据的所有最优分段以及对应的最优分段容差。

根据获取到的每个数据点的第三异常程度获得自适应的LOF算法中修正后的局部可达距离。通过邻域K值迭代的方法，计算每次迭代过程中的局部离群因子的大小来确定最优的邻域K值，确保合适的K值下数据点在分段内不离散(即可满足旋转门压缩算法中的分段特征：在一定的分段内，设置一定大小的分段容差，可以满足算法的压缩要求)，进而获取最优的局部可达距离作为旋转门算法中的自适应分段容差。

具体的，根据获取到的每个数据点的第三异常程度，在进行自适应LOF算法时，根据每个数据点的异常程度修正局部可达距离，进而获取修正后的局部离群因子。在设备工况数据的处理过程中(由于设备工况数据是时间序列上的数据，因此为了在压缩过程中不减少数据在时间上的分布，采取的为行方向上，也即时间方向上的压缩处理)，在LOF算法中通过邻域大小K值迭代的方式，分析局部离群因子的大小来获取最优的邻域K值，则其数据的分段大小对应的即为旋转门算法中自适应分段的大小，并且最优的邻域K值对应的局部可达距离对应的即为旋转门算法中自适应分段容差。特别说明，通过第一个数据点为起始点，仅在时间序列方向上，即行方向上进行LOF算法的计算，在进行一次分段后(根据最优的邻域K值确定)，在以分段点后的下一数据点进行LOF算法计算。

进一步的，通过上述步骤得到的数据点的第三异常程度，在对应的在计算局部可达密度式时，数据点的异常程度越大，表明该数据带在其所在周期内更加离散，则对应的该数据点在计算分段容差时需要调整的局部可达距离就越大，则对应的该数据点的修正后的局部离群因子就越大，该数据点在其分段内表现的更加离散，则对应的当前邻域大小迭代中，为了保证数据压缩效率，并且使得数据特征尽量的不丢失，最优分段值需要的越大。

具体的，传统的LOF算法中通过设置一定大小的K邻域，计算某个数据点的K邻域大小范围内的局部可达密度，则本案中通过计算每个数据点的异常程度值，来计算对应的经过修正后局部可达密度。在邻域大小K值迭代过程中，其中在第m次迭代时，以二维数据矩阵中第i行中的第j个数据点g_ij为例，则该数据点的修正后的局部可达密度

的计算方法为：

其中，K_m为第m次迭代对应的邻域大小的K值，

表示二维数据矩阵中第i行中的第j个数据点g_ij对K_m邻域大小范围内数据点的个数；γ_ij表示数据点g_ij的第三异常程度；g′_c表示数据点g_ij在K_m邻域范围内的第c个数据点；d(g′_c,g_ij)表示数据点g_ij与数据点g′_c的可达距离(为现有技术公式，在本案中不再赘述)。

进一步的，对应的该数据点的修正后的局部离群因子的计算方法为：

其中，

表示二维数据矩阵中第i行中的第j个数据点g_ij对K_m邻域大小范围内数据点的个数；

表示数据点g_ij的K_m邻域大小范围内的第c个数据点的局部可达密度；

表示数据点g_ij的修正后的局部可达密度。

进一步的，根据获得的第m次邻域大小K值迭代过程的局部离群因子

设置局部离群因子第一预设阈值LOF_t＝1(可根据实施者具体实施情况而定，此处给出的为经验参考值)。若当前第m次邻域大小K值迭代过程的局部离群因子小于局部离群因子阈值，则表明当前K此满足要求，则对应的该邻域大小K值即为最优的旋转门压缩算法的最优分段大小，则对应的在该邻域内的局部可达距离对应的即为最优的旋转门压缩算法的最优分段的容差。

按照上述计算方法，可以得到当前采集的设备工况数据的所有最优分段以及对应的最优分段容差。

步骤S005、以自适应分段大小及自适应分段容差对二维矩阵中设备工况数据采用行方向，即时间方向上的自适应旋转门压缩算法，得到对生产设备工况数据的压缩结果并进行传输。

传输得到的压缩数据在解压缩过程中，即根据传统的旋转门算法解压即可得到采集的当打设备工况数据。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于5G物联网的数据压缩传输方法，其特征在于，该方法包括以下步骤：

通过布置的5G物联网监控平台中的数据传感器，获取工厂的生产设备工况数据；

通过生产设备工况数据中不同迭代周期的自相关系数获取最小周期，根据最小周期构建设备工况数据的二维矩阵；

对二维矩阵中的目标数据点，根据同一行上目标数据点的相邻两侧数据点斜率均值之间的差异得到目标数据点的行信息权重值，根据行信息权重值以及目标数据点与行方向上的相邻两侧数据点的差异得到第一异常程度；根据同一列上目标数据点的相邻两侧数据点斜率均值之间的差异得到目标数据点的列信息权重值，根据列信息权重值以及目标数据点与列方向上的相邻两侧数据点的差异得到第二异常程度，根据第一异常程度及第二异常程度获取目标数据点的第三异常程度；

通过LOF算法中邻域大小K值迭代的方式，以目标数据点的第三异常程度对LOF算法修正，获取修正后的局部可达密度及修正后的局部离群因子，根据局部离群因子大小获取最优邻域K值，以最优邻域K值大小作为旋转门算法中的自适应分段大小，以最优邻域K值对应的局部可达距离作为旋转门算法中的自适应分段容差；

以自适应分段大小及自适应分段容差对二维矩阵中设备工况数据采用行方向上的自适应旋转门压缩算法，得到对生产设备工况数据的压缩结果，并将压缩结果进行传输。

2.根据权利要求1所述的一种基于5G物联网的数据压缩传输方法，其特征在于，所述通过生产设备工况数据中不同迭代周期的自相关系数获取最小周期的方法为：

根据生产设备工况数据获取不同迭代周期下的自相关系数，构建自相关系数曲线，所述自相关系数曲线横坐标为迭代周期，纵坐标为自相关系数，对自相关系数曲线图平滑后，将第一个自相关系数局部最大值所对应的迭代周期作为最小周期。

3.根据权利要求1所述的一种基于5G物联网的数据压缩传输方法，其特征在于，所述的第一异常程度的获取方法为：

其中，g_ij为二维数据矩阵中第i行中的第j个目标数据点，α_ij即为目标数据点g_ij同一周期内的第一异常程度；Δkh(g_ij)表示目标数据点g_ij的行信息权重值；F_ij表示目标数据点g_ij数据值；2h表示设置的目标数据点g_ij的行方向上相邻两侧的数据点个数；F_ij(u)表示目标数据点g_ij的行方向上相邻两侧中的第u个数据点的数据值；th{·}表示双曲正切函数。

4.根据权利要求1所述的一种基于5G物联网的数据压缩传输方法，其特征在于，所述的第二异常程度的获取方法为：

其中，g_ij为二维数据矩阵中第i行中的第j个目标数据点，β_ij即为目标数据点g_ij相邻周期内的第二异常程度；Δkl(g_ij)表示目标数据点g_ij的列信息权重值；F_ij表示目标数据点g_ij数据值；2l表示设置的目标数据点g_ij的列方向上相邻两侧的数据点个数；F_ij(v)表示目标数据点g_ij的列方向上相邻两侧中的第v个数据点的数据值；th{·}表示双曲正切函数。

5.根据权利要求1所述的一种基于5G物联网的数据压缩传输方法，其特征在于，所述的第三异常程度为目标数据点的第一异常程度与第二异常程度的乘积。

6.根据权利要求1所述的一种基于5G物联网的数据压缩传输方法，其特征在于，所述获取修正后的局部可达密度的方法为：

其中，K_m为第m次迭代对应的邻域大小的K值，

为修正后的数据点g_ij的局部可达密度，

表示二维数据矩阵中第i行中的第j个数据点g_ij对K_m邻域大小范围内数据点的个数；γ_ij表示数据点g_ij的第三异常程度；g′_c表示数据点g_ij在K_m邻域范围内的第c个数据点；d(g′_c,g_ij)表示数据点g_ij与数据点g′_c的可达距离。

7.根据权利要求1所述的一种基于5G物联网的数据压缩传输方法，其特征在于，所述修正后的局部离群因子的获取方法为：

根据获取到的修正后的局部可达密度，通过LOF异常检测算法获得修正后的局部离群因子。

8.根据权利要求1所述的一种基于5G物联网的数据压缩传输方法，其特征在于，所述根据局部离群因子大小获取最优邻域K值的方法为：

第m次迭代中邻域大小K值对应的局部离群因子为

设置局部离群因子第一预设阈值，当局部离群因子小于第一预设阈值时，表明当前K值即为最优邻域K值。

Images