CN117155403B - 一种数字能源空压站的数据编码方法 - Google Patents
一种数字能源空压站的数据编码方法 Download PDFInfo
- Publication number
- CN117155403B CN117155403B CN202311425439.4A CN202311425439A CN117155403B CN 117155403 B CN117155403 B CN 117155403B CN 202311425439 A CN202311425439 A CN 202311425439A CN 117155403 B CN117155403 B CN 117155403B
- Authority
- CN
- China
- Prior art keywords
- data
- air compression
- encoding
- compression station
- vectors
- 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
- 238000007906 compression Methods 0.000 title claims abstract description 62
- 230000006835 compression Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000007613 environmental effect Effects 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 82
- 238000003860 storage Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 11
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明涉及空压站数据编码技术领域,尤指一种数字能源空压站的数据编码方法,包括以下步骤:获取空压站的电力数据和环境参数;空压站的电力数据包括:空压机组的功率、电流和电压。空压站的环境参数包括:空压站所在环境的空气温度、空气湿度、大气压力,以及空压机组的机头温度;对电力数据和环境参数进行预处理;具体为:对环境参数进行校正;以及,通过自适应滤波算法对电力数据进行滤波处理;通过几何网络编码算法对预处理后的电力数据和环境参数进行编码,生成编码数据。本发明通过获取空压站的电力数据和环境参数,经过预处理和几何网络编码算法编码生成编码数据,实现了对空压站运行状态数据的高效传输;提高数据传输的可靠性和效率。
Description
技术领域
本发明涉及空压站数据编码技术领域,尤指一种数字能源空压站的数据编码方法。
背景技术
数字能源空压站是一种常用于工业领域的设备,其作用是将空气压缩成高压气体,以满足各种生产流程所需。为了提高能源利用效率、降低运营成本并减少环境影响,数字能源空压站集成了先进的传感器、控制系统和数据分析技术。
在数字能源空压站系统中,通常需要传输和分析空压站的电力数据和环境参数。然而,目前的数字能源空压站系统存在一个问题,即缺乏专门用于对电力数据和环境参数进行编码的方法,导致空压站数据传输效率的下降。
发明内容
为解决上述问题,本发明提供一种数字能源空压站的数据编码方法,其通过获取空压站的电力数据和环境参数,经过预处理和几何网络编码算法编码生成编码数据,实现了对空压站运行状态数据的高效传输;提高数据传输的可靠性和效率,从而提高系统的运行效率和节能效果。
为实现上述目的,本发明采用的技术方案是:
一种数字能源空压站的数据编码方法,包括以下步骤:
获取空压站的电力数据和环境参数;
对所述电力数据和环境参数进行预处理;
通过几何网络编码算法对预处理后的电力数据和环境参数进行编码,生成编码数据;具体包括以下步骤:
将预处理后的电力数据和环境参数转换成一系列向量,利用向量之间的线性关系进行编码;
将编码后的数据以二进制形式进行保存;
其中,
所述将预处理后的电力数据和环境参数转换成一系列向量,利用向量之间的线性关系进行编码;具体包括编码方法A或编码方法B,
所述编码方法A包括:
步骤A1,初始化参考向量:随机选择一组向量作为参考向量,并进行归一化处理;
步骤A2,计算欧几里得距离:对于每个数据点,计算其与所有参考向量之间的欧几里得距离;
步骤A3,选择最近邻参考向量:将数据点编码为与其最邻近的参考向量的索引;
步骤A4,更新参考向量:将编码结果对应的参考向量进行更新,使其更好地表示数据点;
步骤A5,重复迭代:重复执行步骤A2至步骤A4,直到编码结果稳定或达到预定的迭代次数;
所述编码方法B包括:
步骤B1, 将数据转换为向量:将预处理后的电力数据和环境参数转换为向量表示,具体为将预处理后的每个数据特征作为一个维度,将多个特征组合成一个向量;
步骤B2,构建线性关系模型:采用PCA方法捕捉步骤B1中的各向量之间的线性关系,生成线性关系模型;
步骤B3,训练编码模型:根据已有的预处理后的数据集,利用线性关系模型进行训练,通过拟合数据集,得到适合于空压站数据的编码模型参数;
步骤B4,进行编码:使用训练好的编码模型,将新的预处理后的数据转换为相应的向量编码。
进一步,空压站的电力数据包括:空压机组的功率、电流和电压。
进一步,空压站的环境参数包括:空压站所在环境的空气温度、空气湿度、大气压力,以及空压机组的机头温度。
进一步,所述对所述电力数据和环境参数进行预处理;包括:
通过自适应滤波算法对所述电力数据进行滤波处理。
进一步,所述对所述电力数据和环境参数进行预处理;还包括:
对所述环境参数进行校正。
进一步,所述数字能源空压站的数据编码方法存储在计算机可读存储介质中。
进一步,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行所述数字能源空压站的数据编码方法。
本发明的有益效果在于:
1.本发明通过获取空压站的电力数据和环境参数,并对电力数据和环境参数进行预处理:首先对环境参数进行校正,确保其准确性和可靠性。然后,使用自适应滤波算法对电力数据进行滤波处理,去除噪声和干扰,提高数据的可信度。通过几何网络编码算法对预处理后的电力数据和环境参数进行编码,生成编码数据。几何网络编码算法是一种高效的编码算法,可以将数据进行压缩和优化,减少传输的数据量,并提高数据的传输效率和可靠性。通过以上步骤,数字能源空压站的数据编码方法可以有效地获取、处理和编码空压站的电力数据和环境参数,从而实现对空压站运行状态的准确监测和控制。可以提高能源利用率和设备运行效率,减少资源浪费和环境污染。
2.本发明通过将电力数据和环境参数转换成向量,并利用线性关系进行编码,可以更好地表示数据点。通过计算欧几里得距离和选择最近邻参考向量的方式,可以在编码过程中更准确地找到与数据点最匹配的参考向量。同时,通过更新参考向量,可以逐步优化参考向量的表示能力,使其更好地适应数据点的特征。通过重复迭代的方式,可以进一步提高编码结果的准确性和稳定性。
3.本发明通过步骤B1至步骤B4,可以有效地将电力数据和环境参数转换为向量表示,并且通过捕捉向量之间的线性关系,可以构建一个编码模型来对数据进行编码。这样可以简化数据表示,并且在后续的数据处理和分析中更加方便和高效。
附图说明
图1 是本发明的数字能源空压站的数据编码方法的流程图。
具体实施方式
请参阅图1所示,本发明提供一种数字能源空压站的数据编码方法,其通过获取空压站的电力数据和环境参数,经过预处理和几何网络编码算法编码生成编码数据,实现了对空压站运行状态数据的高效传输;提高数据传输的可靠性和效率,从而提高系统的运行效率和节能效果。
所述数字能源空压站的数据编码方法,包括以下步骤:
获取空压站的电力数据和环境参数;其中,空压站的电力数据包括:空压机组的功率、电流和电压。空压站的环境参数包括:空压站所在环境的空气温度、空气湿度、大气压力,以及空压机组的机头温度;
对所述电力数据和环境参数进行预处理;具体为:对所述环境参数进行校正;以及,通过自适应滤波算法对所述电力数据进行滤波处理;
通过几何网络编码算法对预处理后的电力数据和环境参数进行编码,生成编码数据。
在上述方案中,获取空压站的电力数据和环境参数:包括空压机组的功率、电流、电压以及空压站所在环境的空气温度、空气湿度、大气压力和空压机组的机头温度。对电力数据和环境参数进行预处理:首先对环境参数进行校正,确保其准确性和可靠性。然后,使用自适应滤波算法对电力数据进行滤波处理,去除噪声和干扰,提高数据的可信度。通过几何网络编码算法对预处理后的电力数据和环境参数进行编码,生成编码数据。几何网络编码算法是一种高效的编码算法,可以将数据进行压缩和优化,减少传输的数据量,并提高数据的传输效率和可靠性。通过以上步骤,数字能源空压站的数据编码方法可以有效地获取、处理和编码空压站的电力数据和环境参数,从而实现对空压站运行状态的准确监测和控制。可以提高能源利用率和设备运行效率,减少资源浪费和环境污染。
进一步地,所述通过几何网络编码算法对预处理后的电力数据和环境参数进行编码,生成编码数据,包括:
将预处理后的电力数据和环境参数转换成一系列向量,利用向量之间的线性关系进行编码;
将编码后的数据以二进制形式进行保存。
在本实施例中,将预处理后的电力数据和环境参数转换成一系列向量:这意味着将每个数据样本表示为一个向量,其中向量的每个元素代表电力数据和环境参数的某个特征或属性。这些向量可以用来描述电力数据和环境参数的状态。利用向量之间的线性关系进行编码:几何网络编码算法会利用向量之间的线性关系来编码数据。通过对向量进行线性组合,可以生成新的编码向量。这些编码向量可以更好地表示电力数据和环境参数之间的关联、相似性或差异性。将编码后的数据以二进制形式进行保存:编码后的数据通常以二进制形式进行保存,以减少存储空间的占用。二进制格式可以更高效地表示数据,同时也便于后续的数据传输、处理和分析。具体包括以下几个方面:
1.数据压缩:通过将数据进行编码和以二进制形式保存,可以有效地减少数据的存储空间占用。这对于大规模的电力数据和环境参数数据来说尤为重要,可以降低存储成本,并提高数据的传输效率。
2.数据关联性分析:通过几何网络编码算法对电力数据和环境参数进行编码,可以更好地揭示它们之间的关联性。编码后的数据向量可以反映出它们之间的相似性或差异性,便于进行相关性分析、聚类等操作。
3.数据恢复和重构:由于编码过程中保留了原始数据的线性关系,可以使用逆向算法进行数据恢复和重构。这意味着可以从编码数据中还原出原始的电力数据和环境参数,以满足后续具体应用的需求。
总体来说,本实施例能够通过几何网络编码算法对电力数据和环境参数进行有效的编码和解码,从而提高数据的存储、分析和恢复效率,为电力系统和环境监测等领域带来更好的技术效果。
在一实施例中,所述将预处理后的电力数据和环境参数转换成一系列向量,利用向量之间的线性关系进行编码;具体包括:
步骤A1,初始化参考向量:随机选择一组向量作为参考向量,并进行归一化处理;
步骤A2,计算欧几里得距离:对于每个数据点,计算其与所有参考向量之间的欧几里得距离;
步骤A3,选择最近邻参考向量:将数据点编码为与其最接近的参考向量的索引;
步骤A4,更新参考向量:将编码结果对应的参考向量进行更新,使其更好地表示数据点;
步骤A5,重复迭代:重复执行步骤A2至步骤A4,直到编码结果稳定或达到预定的迭代次数。
在本实施例中,通过将电力数据和环境参数转换成向量,并利用线性关系进行编码,可以更好地表示数据点。通过计算欧几里得距离和选择最近邻参考向量的方式,可以在编码过程中更准确地找到与数据点最匹配的参考向量。同时,通过更新参考向量,可以逐步优化参考向量的表示能力,使其更好地适应数据点的特征。通过重复迭代的方式,可以进一步提高编码结果的准确性和稳定性。
在另一实施例中,所述将预处理后的电力数据和环境参数转换成一系列向量,利用向量之间的线性关系进行编码;具体包括:
步骤B1, 将数据转换为向量:将预处理后的电力数据和环境参数转换为向量表示,具体为将预处理后的每个数据特征作为一个维度,将多个特征组合成一个向量;
步骤B2,构建线性关系模型:采用PCA方法捕捉步骤B1中的各向量之间的线性关系,生成线性关系模型;
步骤B3,训练编码模型:根据已有的预处理后的数据集,利用线性关系模型进行训练,通过拟合数据集,得到适合于空压站数据的编码模型参数;
步骤B4,进行编码:使用训练好的编码模型,将新的预处理后的数据转换为相应的向量编码。
通过步骤B1至步骤B4,可以有效地将电力数据和环境参数转换为向量表示,并且通过捕捉向量之间的线性关系,可以构建一个编码模型来对数据进行编码。这样可以简化数据表示,并且在后续的数据处理和分析中更加方便和高效。
需要说明的是,PCA指的是主成分分析(Principal Component Analysis)是一种常用的降维技术,可以将高维数据转换到低维,同时保留原始数据中最重要的信息。PCA的核心思想是通过线性变换将原始数据映射到一个新的坐标系下,新坐标系的选择是以保留尽可能多的原始数据方差为准则。在新的坐标系下,数据的第一主成分是原始数据的方差最大的方向,第二主成分是在与第一主成分正交的方向上的方差最大的方向,以此类推。这样就可以选择保留前k个主成分来实现降维,同时保留了大部分原始数据的信息。PCA的具体步骤如下:
1. 标准化数据:对原始数据进行标准化处理,使得每个特征的均值为0,方差为1。
2. 计算协方差矩阵:计算标准化后的数据集的协方差矩阵。
3. 计算特征值和特征向量:对协方差矩阵进行特征值和特征向量分解。
4. 选择主成分:按特征值的大小排序,选择前k个特征向量作为主成分。
5. 映射到新坐标系:使用选取的特征向量构造投影矩阵,将原始数据映射到新的坐标系下。
PCA方法通过降维,可以简化数据集并去除冗余信息,减少计算负担,并且可以提高后续数据分析、建模和可视化的效果。
进一步地,所述数字能源空压站的数据编码方法存储在计算机可读存储介质中。所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行所述数字能源空压站的数据编码方法。
以上实施方式仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通工程技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的权利要求书确定的保护范围内。
Claims (7)
1.一种数字能源空压站的数据编码方法,其特征在于,包括以下步骤:
获取空压站的电力数据和环境参数;
对所述电力数据和环境参数进行预处理;
通过几何网络编码算法对预处理后的电力数据和环境参数进行编码,生成编码数据;具体包括以下步骤:
将预处理后的电力数据和环境参数转换成一系列向量,利用向量之间的线性关系进行编码;
将编码后的数据以二进制形式进行保存;
其中,
所述将预处理后的电力数据和环境参数转换成一系列向量,利用向量之间的线性关系进行编码;具体包括编码方法A或编码方法B,
所述编码方法A包括:
步骤A1,初始化参考向量:随机选择一组向量作为参考向量,并进行归一化处理;
步骤A2,计算欧几里得距离:对于每个数据点,计算其与所有参考向量之间的欧几里得距离;
步骤A3,选择最近邻参考向量:将数据点编码为与其最邻近的参考向量的索引;
步骤A4,更新参考向量:将编码结果对应的参考向量进行更新,使其更好地表示数据点;
步骤A5,重复迭代:重复执行步骤A2至步骤A4,直到编码结果稳定或达到预定的迭代次数;
所述编码方法B包括:
步骤B1, 将数据转换为向量:将预处理后的电力数据和环境参数转换为向量表示,具体为将预处理后的每个数据特征作为一个维度,将多个特征组合成一个向量;
步骤B2,构建线性关系模型:采用PCA方法捕捉步骤B1中的各向量之间的线性关系,生成线性关系模型;
步骤B3,训练编码模型:根据已有的预处理后的数据集,利用线性关系模型进行训练,通过拟合数据集,得到适合于空压站数据的编码模型参数;
步骤B4,进行编码:使用训练好的编码模型,将新的预处理后的数据转换为相应的向量编码。
2.根据权利要求1所述的数字能源空压站的数据编码方法,其特征在于,空压站的电力数据包括:空压机组的功率、电流和电压。
3.根据权利要求1所述的数字能源空压站的数据编码方法,其特征在于,空压站的环境参数包括:空压站所在环境的空气温度、空气湿度、大气压力,以及空压机组的机头温度。
4.根据权利要求1所述的数字能源空压站的数据编码方法,其特征在于,所述对所述电力数据和环境参数进行预处理;包括:
通过自适应滤波算法对所述电力数据进行滤波处理。
5.根据权利要求4所述的数字能源空压站的数据编码方法,其特征在于,所述对所述电力数据和环境参数进行预处理;还包括:
对所述环境参数进行校正。
6.根据权利要求1-5任一项所述的数字能源空压站的数据编码方法,其特征在于,所述数字能源空压站的数据编码方法存储在计算机可读存储介质中。
7.根据权利要求6所述的数字能源空压站的数据编码方法,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行所述数字能源空压站的数据编码方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311425439.4A CN117155403B (zh) | 2023-10-31 | 2023-10-31 | 一种数字能源空压站的数据编码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311425439.4A CN117155403B (zh) | 2023-10-31 | 2023-10-31 | 一种数字能源空压站的数据编码方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117155403A CN117155403A (zh) | 2023-12-01 |
CN117155403B true CN117155403B (zh) | 2023-12-29 |
Family
ID=88910492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311425439.4A Active CN117155403B (zh) | 2023-10-31 | 2023-10-31 | 一种数字能源空压站的数据编码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117155403B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108223378A (zh) * | 2017-12-30 | 2018-06-29 | 湖北金雄节能科技股份有限公司 | 空压机节能控制系统 |
CN108366394A (zh) * | 2018-01-24 | 2018-08-03 | 南京邮电大学 | 基于时空压缩网络编码的高能效无线传感网数据传输方法 |
CN111599431A (zh) * | 2020-03-31 | 2020-08-28 | 太原金域临床检验有限公司 | 基于报告单的数据编码模型生成方法、系统和设备 |
CN116112694A (zh) * | 2022-12-09 | 2023-05-12 | 无锡天宸嘉航科技有限公司 | 一种应用于模型训练的视频数据编码方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11671241B2 (en) * | 2019-07-18 | 2023-06-06 | International Business Machines Corporation | Privacy-preserving fast approximate K-means clustering with hamming vectors |
CN112653142B (zh) * | 2020-12-18 | 2022-09-02 | 武汉大学 | 优化深度Transformer网络的风电功率预测方法及系统 |
-
2023
- 2023-10-31 CN CN202311425439.4A patent/CN117155403B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108223378A (zh) * | 2017-12-30 | 2018-06-29 | 湖北金雄节能科技股份有限公司 | 空压机节能控制系统 |
CN108366394A (zh) * | 2018-01-24 | 2018-08-03 | 南京邮电大学 | 基于时空压缩网络编码的高能效无线传感网数据传输方法 |
CN111599431A (zh) * | 2020-03-31 | 2020-08-28 | 太原金域临床检验有限公司 | 基于报告单的数据编码模型生成方法、系统和设备 |
CN116112694A (zh) * | 2022-12-09 | 2023-05-12 | 无锡天宸嘉航科技有限公司 | 一种应用于模型训练的视频数据编码方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于压缩网络编码技术的无线传感网络高效数据传输研究;刘利琴;;山西能源学院学报(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117155403A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Duan et al. | Compact descriptors for visual search | |
CN110021369B (zh) | 基因测序数据压缩解压方法、系统及计算机可读介质 | |
CN104820696A (zh) | 一种基于多标签最小二乘哈希算法的大规模图像检索方法 | |
US20170026665A1 (en) | Method and device for compressing local feature descriptor, and storage medium | |
CN110347827B (zh) | 面向异构文本运维数据的事件提取方法 | |
CN116471307B (zh) | 物联网异构数据级联传输方法、装置、设备及介质 | |
Gu et al. | Compression of human motion capture data using motion pattern indexing | |
CN111046766A (zh) | 一种行为识别方法、装置及计算机存储介质 | |
CN111612319A (zh) | 基于一维卷积自编码器的负荷曲线深度嵌入聚类方法 | |
CN115955513B (zh) | 一种物联网数据优化传输方法 | |
CN104702961B (zh) | 一种分布式视频编码中码率控制方法 | |
CN115269526A (zh) | 一种半导体生产数据的处理方法及系统 | |
CN104392207A (zh) | 一种用于数字图像内容识别的特征编码方法 | |
CN116455941A (zh) | 基于物联网的室内环境多源数据传输方法及系统 | |
CN116939226A (zh) | 一种面向低码率图像压缩的生成式残差修复方法及装置 | |
CN115913247A (zh) | 一种高频电力数据深度无损压缩方法及系统 | |
CN117155403B (zh) | 一种数字能源空压站的数据编码方法 | |
CN115882867B (zh) | 一种基于大数据的数据压缩存储方法 | |
EP2801952B1 (en) | Method and device for compression of vertex data in three-dimensional image data | |
CN116961672A (zh) | 基于Transformer编码器的无损数据压缩方法 | |
US20230154053A1 (en) | System and method for scene graph lossless compression by context-based graph convolution | |
CN111026741A (zh) | 基于时间序列相似性的数据清洗方法及装置 | |
CN116338322A (zh) | 一种电网线路阻抗预测方法及系统 | |
CN115622571A (zh) | 一种基于数据处理的雷达目标识别方法 | |
CN110349228B (zh) | 一种数据驱动最小二乘预测的三角网格压缩方法 |
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 |