CN117992775A - 一种卫星情报与训练数据能效管理与优化方法及系统 - Google Patents
一种卫星情报与训练数据能效管理与优化方法及系统 Download PDFInfo
- Publication number
- CN117992775A CN117992775A CN202410404706.8A CN202410404706A CN117992775A CN 117992775 A CN117992775 A CN 117992775A CN 202410404706 A CN202410404706 A CN 202410404706A CN 117992775 A CN117992775 A CN 117992775A
- Authority
- CN
- China
- Prior art keywords
- data
- adjustment factor
- feature vector
- compression
- energy efficiency
- 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.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 235
- 230000004927 fusion Effects 0.000 claims abstract description 48
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 238000013210 evaluation model Methods 0.000 claims abstract description 26
- 238000007726 management method Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000013144 data compression Methods 0.000 claims abstract description 22
- 238000007906 compression Methods 0.000 claims description 163
- 230000006835 compression Effects 0.000 claims description 163
- 238000012545 processing Methods 0.000 claims description 54
- 230000005540 biological transmission Effects 0.000 claims description 28
- 238000011478 gradient descent method Methods 0.000 claims description 9
- 230000002123 temporal effect Effects 0.000 claims description 8
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开一种卫星情报与训练数据能效管理与优化方法及系统,该方法包括:获取同一时间同一坐标处所述卫星遥感数据的特征向量和所述场地数据的特征向量,并设置卫星情报数据与训练数据融合模型,计算同一时间同一坐标处融合后的数据特征向量,完成数据融合,设置融合后数据的压缩模型,对所述融合后的数据特征向量进行数据压缩,生成压缩后的数据特征向量,并通过终端进行传输及操作;设置数据能效评估模型,计算所述终端对压缩后的数据特征向量进行传输及操作时的数据能效评估指数,当所述数据能效评估指数超过预设阈值时,对所述卫星情报数据与训练数据融合模型和所述数据能效评估模型进行调整。
Description
技术领域
本发明属于数据融合压缩技术领域,更具体地,涉及一种卫星情报与训练数据能效管理与优化方法及系统。
背景技术
数据压缩技术已经取得了显著的进展,并且在各个领域都得到了广泛的应用。以下是一些数据压缩技术的主要现状:
无损压缩:
Huffman 编码:通过使用可变长度编码来表示不同符号,以实现对数据的高效压缩。
Lempel-Ziv 系列算法:如LZ77和LZ78,这些算法在许多压缩工具中都得到了广泛应用,例如 DEFLATE 算法(用于ZIP 文件)。
数据聚类是数据分析和机器学习中的重要任务,其目标是将数据集中的相似对象归为一类。以下是数据聚类技术的一些主要现状:
K均值聚类:K均值聚类是一种常用的基于原型的聚类算法,通过将数据点分配到K个簇中,每个簇的中心表示该簇的平均位置。
层次聚类:层次聚类通过构建层次化的簇结构,逐步合并或划分簇,形成树状结构。这可以是自上而下(凝聚性层次聚类)或自下而上(分裂性层次聚类)的过程。
但是现有技术中并没有一种针对卫星遥感数据和训练数据的聚类、融合、压缩方法,且能够对压缩后的数据评估终端操作的性能。
发明内容
为解决以上技术问题,本发明提出一种卫星情报与训练数据能效管理与优化方法,所述卫星情报数据为卫星遥感数据,所述训练数据为人员训练时的场地数据,包括:
按照时间提取所述卫星遥感数据的特征向量和所述场地数据的特征向量,所述特征向量包括:表示道路的特征向量、表示山川的特征向量、表示植被的特征向量和/或表示建筑的特征向量;
获取同一时间同一坐标处所述卫星遥感数据的特征向量和所述场地数据的特征向量,并设置卫星情报数据与训练数据融合模型,计算同一时间同一坐标处融合后的数据特征向量,完成数据融合,设置融合后数据的压缩模型,对所述融合后的数据特征向量进行数据压缩,生成压缩后的数据特征向量,并通过终端进行传输及操作;
设置数据能效评估模型,计算所述终端对压缩后的数据特征向量进行传输及操作时的数据能效评估指数,当所述数据能效评估指数超过预设阈值时,对所述卫星情报数据与训练数据融合模型和所述数据能效评估模型进行调整,直到所述数据能效评估指数小于预设阈值,以完成能效管理与优化。
进一步的,所述卫星情报数据与训练数据融合模型包括:
,
其中,为在时间/>时坐标/>处融合后的数据特征向量,/>为第一调整因子,/>为卫星遥感数据位于坐标/>处的卫星数据特征向量,/>为第二调整因子,为场地数据位于坐标/>处的场地数据特征向量,/>为第三调整因子,/>为第四调整因子,/>为第五调整因子,/>为第六调整因子,/>为第七调整因子,/>为第八调整因子,/>为第九调整因子,/>为第十调整因子,/>为第十一调整因子。
进一步的,所述融合后数据的压缩模型包括:
,
其中,为对融合后的数据特征向量/>进行压缩后的数据特征向量,/>为第一压缩调整因子,/>为第二压缩调整因子,/>为第三压缩调整因子,/>为第四压缩调整因子,/>为第五压缩调整因子,/>为第六压缩调整因子,/>为第七压缩调整因子,/>为第八压缩调整因子,/>为第九压缩调整因子。
进一步的,所述数据能效评估模型包括:
,
其中,为数据能效评估指数,/>为压缩后的数据特征向量的传输效率,/>为压缩后的数据特征向量的传输时间,/>为处理压缩后的数据特征向量的处理器占用率,/>为传输压缩后的数据特征向量产生的功耗,/>为压缩后的数据特征向量的数据质量,/>为由于处理压缩后的数据特征向量产生的处理器故障数量,/>为处理器处理压缩后的数据特征向量时的处理速度,/>为内存处理压缩后的数据特征向量时的速度,/>为处理压缩后的数据特征向量时的平均时间复杂度,/>为处理器处理压缩后的数据特征向量时的温度,/>为传输压缩后的数据特征向量时的传输优先级。
进一步的,通过梯度下降法对第一调整因子、第二调整因子/>、第三调整因子/>、第四调整因子/>、第五调整因子/>、第六调整因子/>、第七调整因子/>、第八调整因子/>、第九调整因子/>、第十调整因子/>、第十一调整因子/>、第一压缩调整因子/>、第二压缩调整因子、第三压缩调整因子/>、第四压缩调整因子/>、第五压缩调整因子/>、第六压缩调整因子/>、第七压缩调整因子/>、第八压缩调整因子/>和第九压缩调整因子/>,进行拟合。
本发明还提出一种卫星情报与训练数据能效管理与优化系统,所述卫星情报数据为卫星遥感数据,所述训练数据为人员训练时的场地数据,包括:
获取数据模块,用于按照时间提取所述卫星遥感数据的特征向量和所述场地数据的特征向量,所述特征向量包括:表示道路的特征向量、表示山川的特征向量、表示植被的特征向量和/或表示建筑的特征向量;
数据处理模块,用于获取同一时间同一坐标处所述卫星遥感数据的特征向量和所述场地数据的特征向量,并设置卫星情报数据与训练数据融合模型,计算同一时间同一坐标处融合后的数据特征向量,完成数据融合,设置融合后数据的压缩模型,对所述融合后的数据特征向量进行数据压缩,生成压缩后的数据特征向量,并通过终端进行传输及操作;
评估模块,用于设置数据能效评估模型,计算所述终端对压缩后的数据特征向量进行传输及操作时的数据能效评估指数,当所述数据能效评估指数超过预设阈值时,对所述卫星情报数据与训练数据融合模型和所述数据能效评估模型进行调整,直到所述数据能效评估指数小于预设阈值,以完成能效管理与优化。
进一步的,所述卫星情报数据与训练数据融合模型包括:
,
其中,为在时间/>时坐标/>处融合后的数据特征向量,/>为第一调整因子,/>为卫星遥感数据位于坐标/>处的卫星数据特征向量,/>为第二调整因子,为场地数据位于坐标/>处的场地数据特征向量,/>为第三调整因子,/>为第四调整因子,/>为第五调整因子,/>为第六调整因子,/>为第七调整因子,/>为第八调整因子,/>为第九调整因子,/>为第十调整因子,/>为第十一调整因子。
进一步的,所述融合后数据的压缩模型包括:
,
其中,为对融合后的数据特征向量/>进行压缩后的数据特征向量,/>为第一压缩调整因子,/>为第二压缩调整因子,/>为第三压缩调整因子,/>为第四压缩调整因子,/>为第五压缩调整因子,/>为第六压缩调整因子,/>为第七压缩调整因子,/>为第八压缩调整因子,/>为第九压缩调整因子。
进一步的,所述数据能效评估模型包括:
,
其中,为数据能效评估指数,/>为压缩后的数据特征向量的传输效率,/>为压缩后的数据特征向量的传输时间,/>为处理压缩后的数据特征向量的处理器占用率,/>为传输压缩后的数据特征向量产生的功耗,/>为压缩后的数据特征向量的数据质量,/>为由于处理压缩后的数据特征向量产生的处理器故障数量,/>为处理器处理压缩后的数据特征向量时的处理速度,/>为内存处理压缩后的数据特征向量时的速度,/>为处理压缩后的数据特征向量时的平均时间复杂度,/>为处理器处理压缩后的数据特征向量时的温度,/>为传输压缩后的数据特征向量时的传输优先级。
进一步的,通过梯度下降法对第一调整因子、第二调整因子/>、第三调整因子/>、第四调整因子/>、第五调整因子/>、第六调整因子/>、第七调整因子/>、第八调整因子/>、第九调整因子/>、第十调整因子/>、第十一调整因子/>、第一压缩调整因子/>、第二压缩调整因子、第三压缩调整因子/>、第四压缩调整因子/>、第五压缩调整因子/>、第六压缩调整因子/>、第七压缩调整因子/>、第八压缩调整因子/>和第九压缩调整因子/>,进行拟合。
通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
本发明按照时间提取所述卫星遥感数据的特征向量和所述场地数据的特征向量,所述特征向量包括:表示道路的特征向量、表示山川的特征向量、表示植被的特征向量和/或表示建筑的特征向量;获取同一时间同一坐标处所述卫星遥感数据的特征向量和所述场地数据的特征向量,并设置卫星情报数据与训练数据融合模型,计算同一时间同一坐标处融合后的数据特征向量,完成数据融合,设置融合后数据的压缩模型,对所述融合后的数据特征向量进行数据压缩,生成压缩后的数据特征向量,并通过终端进行传输及操作;设置数据能效评估模型,计算所述终端对压缩后的数据特征向量进行传输及操作时的数据能效评估指数,当所述数据能效评估指数超过预设阈值时,对所述卫星情报数据与训练数据融合模型和所述数据能效评估模型进行调整,直到所述数据能效评估指数小于预设阈值,以完成能效管理与优化。本发明通过以上技术方案,能够对数据进行聚类和压缩,同时评估压缩后数据的效能表现,从而继续进行优化。
附图说明
图1是本发明实施例1的方法流程图;
图2是本发明实施例2的系统结构图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施,所述终端可以包括一个或多个如下部件:处理器、存储介质和显示屏。其中,存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分,通过运行或执行存储在存储介质内的指令、程序、代码集或指令集,以及调用存储在存储介质内的数据,执行终端的各种功能和处理数据。
存储介质可以包括随机存储介质(Random Access Memory,RAM),也可以包括只读存储介质(Read-Only Memory,ROM)。存储介质可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
本发明公式中所有下角标只为了区分参数,并没有实际含义。
除此之外,本领域技术人员可以理解,上述终端的结构并不构成对终端的限定,终端可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。比如,终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件,在此不再赘述。
实施例1
如图1所示,本发明实施例提供一种卫星情报与训练数据能效管理与优化方法,所述卫星情报数据为卫星遥感数据,所述训练数据为人员训练(消防员、警察、保安等人员训练)时的场地数据,包括:
步骤101,按照时间提取所述卫星遥感数据的特征向量和所述场地数据的特征向量,所述特征向量包括:表示道路的特征向量、表示山川的特征向量、表示植被的特征向量和/或表示建筑的特征向量;
步骤102,获取同一时间同一坐标处所述卫星遥感数据的特征向量和所述场地数据的特征向量,并设置卫星情报数据与训练数据融合模型,计算同一时间同一坐标处融合后的数据特征向量,完成数据融合,设置融合后数据的压缩模型,对所述融合后的数据特征向量进行数据压缩,生成压缩后的数据特征向量,并通过终端进行传输及操作;
具体的,所述卫星情报数据与训练数据融合模型包括:
,
其中,为在时间/>时坐标/>处融合后的数据特征向量,/>为第一调整因子,/>为卫星遥感数据位于坐标/>处的卫星数据特征向量,/>为第二调整因子,为场地数据位于坐标/>处的场地数据特征向量,/>为第三调整因子,/>为第四调整因子,/>为第五调整因子,/>为第六调整因子,/>为第七调整因子,/>为第八调整因子,/>为第九调整因子,/>为第十调整因子,/>为第十一调整因子。
具体的,所述融合后数据的压缩模型包括:
,
其中,为对融合后的数据特征向量/>进行压缩后的数据特征向量,/>为第一压缩调整因子,/>为第二压缩调整因子,/>为第三压缩调整因子,/>为第四压缩调整因子,/>为第五压缩调整因子,/>为第六压缩调整因子,/>为第七压缩调整因子,/>为第八压缩调整因子,/>为第九压缩调整因子。
具体的,通过梯度下降法对第一调整因子、第二调整因子/>、第三调整因子/>、第四调整因子/>、第五调整因子/>、第六调整因子/>、第七调整因子/>、第八调整因子/>、第九调整因子/>、第十调整因子/>、第十一调整因子/>、第一压缩调整因子/>、第二压缩调整因子/>、第三压缩调整因子/>、第四压缩调整因子/>、第五压缩调整因子/>、第六压缩调整因子/>、第七压缩调整因子/>、第八压缩调整因子/>和第九压缩调整因子/>,进行拟合。
步骤103,设置数据能效评估模型,计算所述终端对压缩后的数据特征向量进行传输及操作时的数据能效评估指数,当所述数据能效评估指数超过预设阈值时,对所述卫星情报数据与训练数据融合模型和所述数据能效评估模型进行调整,直到所述数据能效评估指数小于预设阈值,以完成能效管理与优化。
具体的,所述数据能效评估模型包括:
,
其中,为数据能效评估指数,/>为压缩后的数据特征向量的传输效率,/>为压缩后的数据特征向量的传输时间,/>为处理压缩后的数据特征向量的处理器占用率,/>为传输压缩后的数据特征向量产生的功耗,/>为压缩后的数据特征向量的数据质量,/>为由于处理压缩后的数据特征向量产生的处理器故障数量,/>为处理器处理压缩后的数据特征向量时的处理速度,/>为内存处理压缩后的数据特征向量时的速度,/>为处理压缩后的数据特征向量时的平均时间复杂度,/>为处理器处理压缩后的数据特征向量时的温度,/>为传输压缩后的数据特征向量时的传输优先级。
本发明中通过梯度下降法对所有调整因子进行拟合。
实施例2
如图2所示,本发明实施例还提出一种卫星情报与训练数据能效管理与优化系统,所述卫星情报数据为卫星遥感数据,所述训练数据为人员训练时的场地数据,包括:
获取数据模块,用于按照时间提取所述卫星遥感数据的特征向量和所述场地数据的特征向量,所述特征向量包括:表示道路的特征向量、表示山川的特征向量、表示植被的特征向量和/或表示建筑的特征向量;
数据处理模块,用于获取同一时间同一坐标处所述卫星遥感数据的特征向量和所述场地数据的特征向量,并设置卫星情报数据与训练数据融合模型,计算同一时间同一坐标处融合后的数据特征向量,完成数据融合,设置融合后数据的压缩模型,对所述融合后的数据特征向量进行数据压缩,生成压缩后的数据特征向量,并通过终端进行传输及操作;
具体的,所述卫星情报数据与训练数据融合模型包括:
,
其中,为在时间/>时坐标/>处融合后的数据特征向量,/>为第一调整因子,/>为卫星遥感数据位于坐标/>处的卫星数据特征向量,/>为第二调整因子,为场地数据位于坐标/>处的场地数据特征向量,/>为第三调整因子,/>为第四调整因子,/>为第五调整因子,/>为第六调整因子,/>为第七调整因子,/>为第八调整因子,/>为第九调整因子,/>为第十调整因子,/>为第十一调整因子。
具体的,所述融合后数据的压缩模型包括:
,
其中,为对融合后的数据特征向量/>进行压缩后的数据特征向量,/>为第一压缩调整因子,/>为第二压缩调整因子,/>为第三压缩调整因子,/>为第四压缩调整因子,/>为第五压缩调整因子,/>为第六压缩调整因子,/>为第七压缩调整因子,/>为第八压缩调整因子,/>为第九压缩调整因子。
具体的,通过梯度下降法对第一调整因子、第二调整因子/>、第三调整因子/>、第四调整因子/>、第五调整因子/>、第六调整因子/>、第七调整因子/>、第八调整因子/>、第九调整因子/>、第十调整因子/>、第十一调整因子/>、第一压缩调整因子/>、第二压缩调整因子/>、第三压缩调整因子/>、第四压缩调整因子/>、第五压缩调整因子/>、第六压缩调整因子/>、第七压缩调整因子/>、第八压缩调整因子/>和第九压缩调整因子/>,进行拟合。
评估模块,用于设置数据能效评估模型,计算所述终端对压缩后的数据特征向量进行传输及操作时的数据能效评估指数,当所述数据能效评估指数超过预设阈值时,对所述卫星情报数据与训练数据融合模型和所述数据能效评估模型进行调整,直到所述数据能效评估指数小于预设阈值,以完成能效管理与优化。
具体的,所述数据能效评估模型包括:
,
其中,为数据能效评估指数,/>为压缩后的数据特征向量的传输效率,/>为压缩后的数据特征向量的传输时间,/>为处理压缩后的数据特征向量的处理器占用率,/>为传输压缩后的数据特征向量产生的功耗,/>为压缩后的数据特征向量的数据质量,/>为由于处理压缩后的数据特征向量产生的处理器故障数量,/>为处理器处理压缩后的数据特征向量时的处理速度,/>为内存处理压缩后的数据特征向量时的速度,/>为处理压缩后的数据特征向量时的平均时间复杂度,/>为处理器处理压缩后的数据特征向量时的温度,/>为传输压缩后的数据特征向量时的传输优先级。
实施例3
本发明实施例还提出一种存储介质,存储有多条指令,所述指令用于实现所述的一种卫星情报与训练数据能效管理与优化方法。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:步骤101,按照时间提取所述卫星遥感数据的特征向量和所述场地数据的特征向量,所述特征向量包括:表示道路的特征向量、表示山川的特征向量、表示植被的特征向量和/或表示建筑的特征向量;
步骤102,获取同一时间同一坐标处所述卫星遥感数据的特征向量和所述场地数据的特征向量,并设置卫星情报数据与训练数据融合模型,计算同一时间同一坐标处融合后的数据特征向量,完成数据融合,设置融合后数据的压缩模型,对所述融合后的数据特征向量进行数据压缩,生成压缩后的数据特征向量,并通过终端进行传输及操作;
具体的,所述卫星情报数据与训练数据融合模型包括:
,
其中,为在时间/>时坐标/>处融合后的数据特征向量,/>为第一调整因子,/>为卫星遥感数据位于坐标/>处的卫星数据特征向量,/>为第二调整因子,为场地数据位于坐标/>处的场地数据特征向量,/>为第三调整因子,/>为第四调整因子,/>为第五调整因子,/>为第六调整因子,/>为第七调整因子,/>为第八调整因子,/>为第九调整因子,/>为第十调整因子,/>为第十一调整因子。
具体的,所述融合后数据的压缩模型包括:
,
其中,为对融合后的数据特征向量/>进行压缩后的数据特征向量,/>为第一压缩调整因子,/>为第二压缩调整因子,/>为第三压缩调整因子,/>为第四压缩调整因子,/>为第五压缩调整因子,/>为第六压缩调整因子,/>为第七压缩调整因子,/>为第八压缩调整因子,/>为第九压缩调整因子。
具体的,通过梯度下降法对第一调整因子、第二调整因子/>、第三调整因子/>、第四调整因子/>、第五调整因子/>、第六调整因子/>、第七调整因子/>、第八调整因子/>、第九调整因子/>、第十调整因子/>、第十一调整因子/>、第一压缩调整因子/>、第二压缩调整因子/>、第三压缩调整因子/>、第四压缩调整因子/>、第五压缩调整因子/>、第六压缩调整因子/>、第七压缩调整因子/>、第八压缩调整因子/>和第九压缩调整因子/>,进行拟合。
步骤103,设置数据能效评估模型,计算所述终端对压缩后的数据特征向量进行传输及操作时的数据能效评估指数,当所述数据能效评估指数超过预设阈值时,对所述卫星情报数据与训练数据融合模型和所述数据能效评估模型进行调整,直到所述数据能效评估指数小于预设阈值,以完成能效管理与优化。
具体的,所述数据能效评估模型包括:
,
其中,为数据能效评估指数,/>为压缩后的数据特征向量的传输效率,/>为压缩后的数据特征向量的传输时间,/>为处理压缩后的数据特征向量的处理器占用率,/>为传输压缩后的数据特征向量产生的功耗,/>为压缩后的数据特征向量的数据质量,/>为由于处理压缩后的数据特征向量产生的处理器故障数量,/>为处理器处理压缩后的数据特征向量时的处理速度,/>为内存处理压缩后的数据特征向量时的速度,/>为处理压缩后的数据特征向量时的平均时间复杂度,/>为处理器处理压缩后的数据特征向量时的温度,/>为传输压缩后的数据特征向量时的传输优先级。
实施例4
本发明实施例还提出一种电子设备,包括处理器和与所述处理器连接的存储介质,所述存储介质存储有多条指令,所述指令可被所述处理器加载并执行,以使所述处理器能够执行一种卫星情报与训练数据能效管理与优化方法。
具体的,本实施例的电子设备可以是计算机终端,所述计算机终端可以包括:一个或多个处理器、以及存储介质。
其中,存储介质可用于存储软件程序以及模块,如本发明实施例中的一种卫星情报与训练数据能效管理与优化方法,对应的程序指令/模块,处理器通过运行存储在存储介质内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的一种卫星情报与训练数据能效管理与优化方法。存储介质可包括高速随机存储介质,还可以包括非易失性存储介质,如一个或者多个磁性存储系统、闪存、或者其他非易失性固态存储介质。在一些实例中,存储介质可进一步包括相对于处理器远程设置的存储介质,这些远程存储介质可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输系统调用存储介质存储的信息及应用程序,以执行步骤:步骤101,按照时间提取所述卫星遥感数据的特征向量和所述场地数据的特征向量,所述特征向量包括:表示道路的特征向量、表示山川的特征向量、表示植被的特征向量和/或表示建筑的特征向量;
步骤102,获取同一时间同一坐标处所述卫星遥感数据的特征向量和所述场地数据的特征向量,并设置卫星情报数据与训练数据融合模型,计算同一时间同一坐标处融合后的数据特征向量,完成数据融合,设置融合后数据的压缩模型,对所述融合后的数据特征向量进行数据压缩,生成压缩后的数据特征向量,并通过终端进行传输及操作;
具体的,所述卫星情报数据与训练数据融合模型包括:
,
其中,为在时间/>时坐标/>处融合后的数据特征向量,/>为第一调整因子,/>为卫星遥感数据位于坐标/>处的卫星数据特征向量,/>为第二调整因子,为场地数据位于坐标/>处的场地数据特征向量,/>为第三调整因子,/>为第四调整因子,/>为第五调整因子,/>为第六调整因子,/>为第七调整因子,/>为第八调整因子,/>为第九调整因子,/>为第十调整因子,/>为第十一调整因子。
具体的,所述融合后数据的压缩模型包括:
,
其中,为对融合后的数据特征向量/>进行压缩后的数据特征向量,/>为第一压缩调整因子,/>为第二压缩调整因子,/>为第三压缩调整因子,/>为第四压缩调整因子,/>为第五压缩调整因子,/>为第六压缩调整因子,/>为第七压缩调整因子,/>为第八压缩调整因子,/>为第九压缩调整因子。
具体的,通过梯度下降法对第一调整因子、第二调整因子/>、第三调整因子/>、第四调整因子/>、第五调整因子/>、第六调整因子/>、第七调整因子/>、第八调整因子/>、第九调整因子/>、第十调整因子/>、第十一调整因子/>、第一压缩调整因子/>、第二压缩调整因子/>、第三压缩调整因子/>、第四压缩调整因子/>、第五压缩调整因子/>、第六压缩调整因子/>、第七压缩调整因子/>、第八压缩调整因子/>和第九压缩调整因子/>,进行拟合。
步骤103,设置数据能效评估模型,计算所述终端对压缩后的数据特征向量进行传输及操作时的数据能效评估指数,当所述数据能效评估指数超过预设阈值时,对所述卫星情报数据与训练数据融合模型和所述数据能效评估模型进行调整,直到所述数据能效评估指数小于预设阈值,以完成能效管理与优化。
具体的,所述数据能效评估模型包括:
,
其中,为数据能效评估指数,/>为压缩后的数据特征向量的传输效率,/>为压缩后的数据特征向量的传输时间,/>为处理压缩后的数据特征向量的处理器占用率,/>为传输压缩后的数据特征向量产生的功耗,/>为压缩后的数据特征向量的数据质量,/>为由于处理压缩后的数据特征向量产生的处理器故障数量,/>为处理器处理压缩后的数据特征向量时的处理速度,/>为内存处理压缩后的数据特征向量时的速度,/>为处理压缩后的数据特征向量时的平均时间复杂度,/>为处理器处理压缩后的数据特征向量时的温度,/>为传输压缩后的数据特征向量时的传输优先级。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中,应所述理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的系统实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的全部或部分可以以软件产品的形式体现出来,所述计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储介质(ROM,Read-Only Memory)、随机存取存储介质(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种卫星情报与训练数据能效管理与优化方法,所述卫星情报数据为卫星遥感数据,所述训练数据为人员训练时的场地数据,其特征在于,包括:
按照时间提取所述卫星遥感数据的特征向量和所述场地数据的特征向量,所述特征向量包括:表示道路的特征向量、表示山川的特征向量、表示植被的特征向量和/或表示建筑的特征向量;
获取同一时间同一坐标处所述卫星遥感数据的特征向量和所述场地数据的特征向量,并设置卫星情报数据与训练数据融合模型,计算同一时间同一坐标处融合后的数据特征向量,完成数据融合,设置融合后数据的压缩模型,对所述融合后的数据特征向量进行数据压缩,生成压缩后的数据特征向量,并通过终端进行传输及操作;
设置数据能效评估模型,计算所述终端对压缩后的数据特征向量进行传输及操作时的数据能效评估指数,当所述数据能效评估指数超过预设阈值时,对所述卫星情报数据与训练数据融合模型和所述数据能效评估模型进行调整,直到所述数据能效评估指数小于预设阈值,以完成能效管理与优化。
2.如权利要求1所述的一种卫星情报与训练数据能效管理与优化方法,其特征在于,所述卫星情报数据与训练数据融合模型包括:
,
其中,为在时间/>时坐标/>处融合后的数据特征向量,/>为第一调整因子,为卫星遥感数据位于坐标/>处的卫星数据特征向量,/>为第二调整因子,为场地数据位于坐标/>处的场地数据特征向量,/>为第三调整因子,/>为第四调整因子,/>为第五调整因子,/>为第六调整因子,/>为第七调整因子,/>为第八调整因子,/>为第九调整因子,/>为第十调整因子,/>为第十一调整因子。
3.如权利要求2所述的一种卫星情报与训练数据能效管理与优化方法,其特征在于,所述融合后数据的压缩模型包括:
,
其中,为对融合后的数据特征向量/>进行压缩后的数据特征向量,/>为第一压缩调整因子,/>为第二压缩调整因子,/>为第三压缩调整因子,/>为第四压缩调整因子,为第五压缩调整因子,/>为第六压缩调整因子,/>为第七压缩调整因子,/>为第八压缩调整因子,/>为第九压缩调整因子。
4.如权利要求3所述的一种卫星情报与训练数据能效管理与优化方法,其特征在于,所述数据能效评估模型包括:
,
其中,为数据能效评估指数,/>为压缩后的数据特征向量的传输效率,/>为压缩后的数据特征向量的传输时间,/>为处理压缩后的数据特征向量的处理器占用率,/>为传输压缩后的数据特征向量产生的功耗,/>为压缩后的数据特征向量的数据质量,/>为由于处理压缩后的数据特征向量产生的处理器故障数量,/>为处理器处理压缩后的数据特征向量时的处理速度,/>为内存处理压缩后的数据特征向量时的速度,/>为处理压缩后的数据特征向量时的平均时间复杂度,/>为处理器处理压缩后的数据特征向量时的温度,/>为传输压缩后的数据特征向量时的传输优先级。
5.如权利要求4所述的一种卫星情报与训练数据能效管理与优化方法,其特征在于,通过梯度下降法对第一调整因子、第二调整因子/>、第三调整因子/>、第四调整因子/>、第五调整因子/>、第六调整因子/>、第七调整因子/>、第八调整因子/>、第九调整因子/>、第十调整因子/>、第十一调整因子/>、第一压缩调整因子/>、第二压缩调整因子/>、第三压缩调整因子、第四压缩调整因子/>、第五压缩调整因子/>、第六压缩调整因子/>、第七压缩调整因子/>、第八压缩调整因子/>和第九压缩调整因子/>,进行拟合。
6.一种卫星情报与训练数据能效管理与优化系统,所述卫星情报数据为卫星遥感数据,所述训练数据为人员训练时的场地数据,其特征在于,包括:
获取数据模块,用于按照时间提取所述卫星遥感数据的特征向量和所述场地数据的特征向量,所述特征向量包括:表示道路的特征向量、表示山川的特征向量、表示植被的特征向量和/或表示建筑的特征向量;
数据处理模块,用于获取同一时间同一坐标处所述卫星遥感数据的特征向量和所述场地数据的特征向量,并设置卫星情报数据与训练数据融合模型,计算同一时间同一坐标处融合后的数据特征向量,完成数据融合,设置融合后数据的压缩模型,对所述融合后的数据特征向量进行数据压缩,生成压缩后的数据特征向量,并通过终端进行传输及操作;
评估模块,用于设置数据能效评估模型,计算所述终端对压缩后的数据特征向量进行传输及操作时的数据能效评估指数,当所述数据能效评估指数超过预设阈值时,对所述卫星情报数据与训练数据融合模型和所述数据能效评估模型进行调整,直到所述数据能效评估指数小于预设阈值,以完成能效管理与优化。
7.如权利要求6所述的一种卫星情报与训练数据能效管理与优化系统,其特征在于,所述卫星情报数据与训练数据融合模型包括:
,
其中,为在时间/>时坐标/>处融合后的数据特征向量,/>为第一调整因子,为卫星遥感数据位于坐标/>处的卫星数据特征向量,/>为第二调整因子,为场地数据位于坐标/>处的场地数据特征向量,/>为第三调整因子,/>为第四调整因子,/>为第五调整因子,/>为第六调整因子,/>为第七调整因子,/>为第八调整因子,/>为第九调整因子,/>为第十调整因子,/>为第十一调整因子。
8.如权利要求7所述的一种卫星情报与训练数据能效管理与优化系统,其特征在于,所述融合后数据的压缩模型包括:
,
其中,为对融合后的数据特征向量/>进行压缩后的数据特征向量,/>为第一压缩调整因子,/>为第二压缩调整因子,/>为第三压缩调整因子,/>为第四压缩调整因子,为第五压缩调整因子,/>为第六压缩调整因子,/>为第七压缩调整因子,/>为第八压缩调整因子,/>为第九压缩调整因子。
9.如权利要求8所述的一种卫星情报与训练数据能效管理与优化系统,其特征在于,所述数据能效评估模型包括:
,
其中,为数据能效评估指数,/>为压缩后的数据特征向量的传输效率,/>为压缩后的数据特征向量的传输时间,/>为处理压缩后的数据特征向量的处理器占用率,/>为传输压缩后的数据特征向量产生的功耗,/>为压缩后的数据特征向量的数据质量,/>为由于处理压缩后的数据特征向量产生的处理器故障数量,/>为处理器处理压缩后的数据特征向量时的处理速度,/>为内存处理压缩后的数据特征向量时的速度,/>为处理压缩后的数据特征向量时的平均时间复杂度,/>为处理器处理压缩后的数据特征向量时的温度,/>为传输压缩后的数据特征向量时的传输优先级。
10.如权利要求9所述的一种卫星情报与训练数据能效管理与优化系统,其特征在于,通过梯度下降法对第一调整因子、第二调整因子/>、第三调整因子/>、第四调整因子/>、第五调整因子/>、第六调整因子/>、第七调整因子/>、第八调整因子/>、第九调整因子/>、第十调整因子/>、第十一调整因子/>、第一压缩调整因子/>、第二压缩调整因子/>、第三压缩调整因子/>、第四压缩调整因子/>、第五压缩调整因子/>、第六压缩调整因子/>、第七压缩调整因子、第八压缩调整因子/>和第九压缩调整因子/>,进行拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410404706.8A CN117992775B (zh) | 2024-04-07 | 2024-04-07 | 一种卫星情报与训练数据能效管理与优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410404706.8A CN117992775B (zh) | 2024-04-07 | 2024-04-07 | 一种卫星情报与训练数据能效管理与优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117992775A true CN117992775A (zh) | 2024-05-07 |
CN117992775B CN117992775B (zh) | 2024-07-05 |
Family
ID=90899446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410404706.8A Active CN117992775B (zh) | 2024-04-07 | 2024-04-07 | 一种卫星情报与训练数据能效管理与优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117992775B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950937A (zh) * | 2020-09-01 | 2020-11-17 | 上海海事大学 | 一种基于融合时空轨迹的重点人员风险评估方法 |
CN112001442A (zh) * | 2020-08-24 | 2020-11-27 | 北京达佳互联信息技术有限公司 | 特征检测方法、装置、计算机设备及存储介质 |
CN113225089A (zh) * | 2021-04-23 | 2021-08-06 | 西安交通大学 | 一种工业机器人多通道监测数据压缩方法及系统 |
CN113312989A (zh) * | 2021-05-11 | 2021-08-27 | 华南理工大学 | 一种基于聚合描述子与注意力的指静脉特征提取网络 |
CN114463325A (zh) * | 2022-02-25 | 2022-05-10 | 西安邮电大学 | 基于核磁共振影像的两阶段脑胶质瘤患者生存期预测方法 |
CN114679899A (zh) * | 2022-04-24 | 2022-06-28 | 中国电信股份有限公司 | 机房空调自适应节能控制方法及装置、介质及设备 |
CN116702083A (zh) * | 2023-08-10 | 2023-09-05 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种卫星遥测数据异常检测方法及系统 |
CN116992294A (zh) * | 2023-09-26 | 2023-11-03 | 成都国恒空间技术工程股份有限公司 | 卫星测控训练评估方法、装置、设备及存储介质 |
US20240078288A1 (en) * | 2022-09-07 | 2024-03-07 | Optum, Inc. | Data modeling and processing techniques for generating predictive metrics |
CN117687995A (zh) * | 2023-10-30 | 2024-03-12 | 中铁大桥勘测设计院集团有限公司 | 基于cnn神经网络的多终端北斗数据质量评估方法及系统 |
-
2024
- 2024-04-07 CN CN202410404706.8A patent/CN117992775B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001442A (zh) * | 2020-08-24 | 2020-11-27 | 北京达佳互联信息技术有限公司 | 特征检测方法、装置、计算机设备及存储介质 |
CN111950937A (zh) * | 2020-09-01 | 2020-11-17 | 上海海事大学 | 一种基于融合时空轨迹的重点人员风险评估方法 |
CN113225089A (zh) * | 2021-04-23 | 2021-08-06 | 西安交通大学 | 一种工业机器人多通道监测数据压缩方法及系统 |
CN113312989A (zh) * | 2021-05-11 | 2021-08-27 | 华南理工大学 | 一种基于聚合描述子与注意力的指静脉特征提取网络 |
CN114463325A (zh) * | 2022-02-25 | 2022-05-10 | 西安邮电大学 | 基于核磁共振影像的两阶段脑胶质瘤患者生存期预测方法 |
CN114679899A (zh) * | 2022-04-24 | 2022-06-28 | 中国电信股份有限公司 | 机房空调自适应节能控制方法及装置、介质及设备 |
US20240078288A1 (en) * | 2022-09-07 | 2024-03-07 | Optum, Inc. | Data modeling and processing techniques for generating predictive metrics |
CN116702083A (zh) * | 2023-08-10 | 2023-09-05 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种卫星遥测数据异常检测方法及系统 |
CN116992294A (zh) * | 2023-09-26 | 2023-11-03 | 成都国恒空间技术工程股份有限公司 | 卫星测控训练评估方法、装置、设备及存储介质 |
CN117687995A (zh) * | 2023-10-30 | 2024-03-12 | 中铁大桥勘测设计院集团有限公司 | 基于cnn神经网络的多终端北斗数据质量评估方法及系统 |
Non-Patent Citations (3)
Title |
---|
GUANGHUI HAN ET AL.: "Hybrid resampling and multi-feature fusion for automatic recognition of cavity imaging sign in lung CT", 《FUTURE GENERATION COMPUTER SYSTEMS》, vol. 99, 31 October 2019 (2019-10-31), pages 558 - 570, XP085913323, DOI: 10.1016/j.future.2019.05.009 * |
WEI YANG ET AL.: "LPSO: Multi-Source Image Matching Considering the Description of Local Phase Sharpness Orientation", 《IEEE PHOTONICS JOURNAL》, vol. 14, no. 1, 28 February 2022 (2022-02-28), pages 1 - 9 * |
陈海文: "配用电大数据处理与分析关键技术研究", 《中国优秀博硕士学位论文全文数据库(博士)》, no. 10, 15 October 2023 (2023-10-15), pages 1 - 173 * |
Also Published As
Publication number | Publication date |
---|---|
CN117992775B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815788A (zh) | 一种图片聚类方法、装置、存储介质及终端设备 | |
CN110830807B (zh) | 图像压缩方法、装置及存储介质 | |
CN113901904A (zh) | 图像处理方法、人脸识别模型训练方法、装置及设备 | |
CN111291190A (zh) | 一种编码器的训练方法、信息检测的方法以及相关装置 | |
CN113673260A (zh) | 模型处理方法、装置、存储介质和处理器 | |
CN115567589B (zh) | Json数据的压缩传输方法、装置、设备及存储介质 | |
CN112116436A (zh) | 一种智能推荐方法、装置、计算机设备及可读存储介质 | |
CN116542322A (zh) | 一种联邦学习方法 | |
CN116978011A (zh) | 一种用于智能目标识别的图像语义通信方法及系统 | |
CN117992775B (zh) | 一种卫星情报与训练数据能效管理与优化方法及系统 | |
CN113807166A (zh) | 图像处理方法、装置及存储介质 | |
CN112860721A (zh) | 一种智慧园区的云端数据更新方法、装置和系统 | |
CN113870428A (zh) | 场景地图生成方法、相关装置及计算机程序产品 | |
CN112597379A (zh) | 数据识别方法、装置和存储介质及电子装置 | |
CN206133044U (zh) | 一种基于树莓派的雷电云服务预警系统 | |
CN111316326A (zh) | 图像编码方法、设备及计算机可读存储介质 | |
CN113382413B (zh) | 基于机器学习的智能无人设备组网异常检测方法及系统 | |
CN116405330B (zh) | 基于迁移学习的网络异常流量识别方法、装置和设备 | |
CN112328073B (zh) | 基于增强现实设备的评标方法、装置、系统和计算机设备 | |
CN117992992B (zh) | 一种可扩展的卫星情报数据云平台安全存储方法及系统 | |
CN112507358B (zh) | 一种基于场景需求的轻量化加密算法的选择方法 | |
CN116540990B (zh) | 基于嵌入式实现电子产品的代码集成方法及装置 | |
US20230144571A1 (en) | Retrieval Method, Index Construction Method, and Related Device | |
CN117475340A (zh) | 视频数据处理方法、装置、计算机设备和存储介质 | |
CN115935037A (zh) | 一种数据处理方法、装置、计算机设备及存储介质 |
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 |