JP7156416B2 - データ圧縮システム、送信端末、学習モデル構築装置及びプログラム - Google Patents
データ圧縮システム、送信端末、学習モデル構築装置及びプログラム Download PDFInfo
- Publication number
- JP7156416B2 JP7156416B2 JP2021004750A JP2021004750A JP7156416B2 JP 7156416 B2 JP7156416 B2 JP 7156416B2 JP 2021004750 A JP2021004750 A JP 2021004750A JP 2021004750 A JP2021004750 A JP 2021004750A JP 7156416 B2 JP7156416 B2 JP 7156416B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- compression
- data piece
- pattern
- compressed data
- 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
Description
<学習段階>
学習段階では、複数の送信端末(302a~302c)の各々からデータを受け取って学習モデルを構築する学習用端末301において、以下の処理が行われる。尚、学習用端末301は中継端末303や送信端末302a~302cの各々と兼用されていても良い。ここで、学習段階では送信端末と学習用端末は有線または無線で接続しているとする。尚、各送信端末と中継端末303とが無線接続されている場合には、中継端末303は、各送信端末に対して無線通信が可能な距離の範囲内に存在するものとする。
[圧縮前データ推定]
すなわち、学習用端末301の圧縮前データ推定部308aが、先ず、送信端末302a~302c各々が受けた全てのセンサデータ(SD2)を圧縮前データとして取得する(S401)。次に、圧縮前データ推定部308aは、ある処理ステップでの自送信端末の圧縮前データに基づき、同じ処理ステップでの他の送信端末の圧縮前データを推定する為の圧縮前データ推定器モデルに教師あり学習を施す(S402)。例えば、図6に示すように、送信端末302a~302c毎に圧縮前データ推定器NN1~NN3を用意する。ここで、送信端末302aで取得された圧縮前データを圧縮前データ推定器NN1に入力することで、送信端末302a以外の他の送信端末(302b又は302c)で取得されるであろう圧縮前データを推定させる学習を行う。また、送信端末302bで取得された圧縮前データを圧縮前データ推定器NN2に入力することで、送信端末302b以外の他の送信端末(302a又は302c)で取得されるであろう圧縮前データを推定させる学習を行う。更に、送信端末302cで取得された圧縮前データを圧縮前データ推定器NN3に入力することで、送信端末302c以外の他の送信端末(302a又は302b)で取得されるであろう圧縮前データを推定させる学習を行う。
[推定誤差の推定]
すなわち、圧縮前データ推定部308aによる学習(S401、S402)の終了後、誤差推定部308bが、自身が受けた圧縮前データにより、上記したように推定した圧縮前データと、自身が受けた圧縮前データとの誤差を推定する誤差推定器を学習させる(S403)。
[送信端末の「状態」]
尚、送信端末302a~302c各々の「状態」とは、送信端末302a~302cのうちの1の圧縮前データと、圧縮前データ推定モデルによって推定された他の送信端末の圧縮前データと、誤差推定モデルによって推定された推定誤差と、である。
[送信端末の「行動」]
また、送信端末302a~302c各々の「行動」とは、圧縮パターン及び傍受モードの有効又は無効を示す符号情報である。
[中継端末の「状態」]
中継端末303の「状態」とは、ある処理ステップにおいて送信端末302a~302cの各々から送信された圧縮データと,その処理ステップ以前に送信端末302a~302cの各々から送信され、バッファBFに残存している圧縮データである。
[中継端末の「行動」]
中継端末303での「行動」とは復元パターンであり、バッファBF内のいずれの圧縮データ同士を同時に復元し、いずれの圧縮データを次の処理ステップに残すか、また、いずれの手法で同時に復元するかを示す情報を含む。
[送信端末及び中継端末の「報酬」]
送信端末302a~302c及び中継端末303の「報酬」としては、圧縮データの圧縮パターン及び元パターンに基づき各圧縮データに対して復元処理を施して得られた復元データと元データとの復元誤差、元データに対する圧縮データの圧縮比及び消費電力が含まれる。また中継端末303で受信したデータを長期間バッファリングすることで、長期に亘るデータの圧縮の最適化ができる反面、バッファBFを浪費したり、送信遅延の増加を招く可能性がある。そのため、「報酬」には送信時の遅延時間をも考慮する必要がある。
この際、復元誤差Eが小さいほど、又はデータ量V、つまり圧縮比が少ないほど、又は遅延時間Dが少ないほど、或いは消費電力Pが小さいほど「報酬」は高くなる。そこで、圧縮データ単位毎に「報酬」を求め、その「報酬」をその圧縮データの送信元である送信端末(302a~302c)及び中継端末303に夫々対応した各エージェント(AGa~AGc、AGx)に割り振る。
[センサデータの送信]
送信端末302a~302cで夫々検出されたセンサデータを学習用端末301に送信する。この際、送信端末302a~302cの各々は、夫々のセンサデータの送信開始時刻及び送信終了時刻も同時に送信する。
[強化学習の実施]
学習用端末301は、送信端末302a~302c及び中継端末303の図8に示す学習モデルにおいて、強化学習での「状態」、「行動」、「報酬」を夫々図10に示すように設定して、エージェントAGa~AGc、AGx各々の行動器Ana及び評価器(Critic)Cnaの学習を行う。尚、図10では、1送信端末あたりの最大送信サンプル数を「N」、送信端末の総数を「n」、1送信端末あたりの隣接端末数を「(n-1)」、中継端末303のバッファBFにおける最大圧縮データ数を「M」と表している。
[学習モデルの送信端末及び中継端末への提供]
学習用端末301は、上記した強化学習によって得られた、各送信端末用の圧縮前データ推定器(例えばNN1~NN3)、誤差推定器(例えばEN1~EN3)及び中継端末303の行動器(例えばAnX)を表す情報を、対応する端末に送信する。また、学習用端末301は、中継端末用の行動器を表す情報を、対応する送信端末に送信する。なお、各送信端末や中継端末自体で学習を行う場合には、学習用端末301は、夫々に対応した評価器を表す情報も各端末に送信する。
推論段階では、送信端末302a~302c各々のデータ圧縮部315、及び中継端末303の各々には、図11に示す学習モデルが構築されている。つまり、図8に示す学習モデルに対して学習を施した、ニューラルネットワークとしての誤差推定器G1a~G1c、圧縮前データ推定器G2a~G2c、傍受パターン推定行動器G3a~G3c、圧縮パターン推定行動器G4a~G4c、及び復元パターン行動推定器GXが構築されている。
301 学習用端末
302a~302c 送信端末
303 中継端末
308 最適圧縮学習モデル構築部
308a 圧縮前データ推定部
308b 誤差推定部
308c 最適圧縮・復元パターン推定部
G1a~G1c 誤差推定器
G2a~G2c 圧縮前データ推定器
G3a~G3c 行動器
Claims (8)
- 夫々がデータ片を取得し、取得したデータ片を圧縮前データ片とし当該圧縮前データ片に圧縮パターンに基づく圧縮処理を施して得た圧縮データ片と、前記圧縮パターンとを含む圧縮データブロックを送信する複数の送信端末と、
前記複数の送信端末から送信された複数の前記圧縮データブロックを受信し、前記複数の前記圧縮データブロックに基づき復元処理の為の復元パターンを得て、前記復元パターン及び前記複数の前記圧縮データブロックを、前記復元処理を行うデータ復元部を含む受信端末に送信する中継端末と、を有し、
前記複数の送信端末の各々は、
自身が取得した前記圧縮前データ片に基づき自身以外の他の前記送信端末が取得するであろう前記圧縮前データ片を推定する圧縮前データ推定部と、
前記自身が取得した前記圧縮前データ片に基づき前記圧縮前データ推定部で推定された前記圧縮前データ片と前記自身が取得した前記圧縮前データ片との誤差を推定誤差として推定する誤差推定部と、
前記推定誤差の大きさに基づき前記他の送信端末が送信した前記圧縮データ片の傍受を行うか否かを決定するか又は前記圧縮データ片の傍受の頻度を決定し、前記圧縮データ片の傍受を行わない場合には、前記圧縮前データ推定部で推定された前記圧縮前データ片及び前記自身が取得した前記圧縮前データ片に基づき前記圧縮パターンの推定を行い、前記圧縮データ片の傍受を行う場合には、当該傍受した前記圧縮データ片及び前記自身が取得した前記圧縮前データ片に基づき前記圧縮パターンの推定を行う圧縮パターン推定部と、を含むことを特徴とするデータ圧縮システム。 - 前記圧縮パターン推定部は、夫々の前記推定誤差が所定の閾値よりも大きい場合には前記他の送信端末から送信された圧縮データの傍受を行うと決定し、前記推定誤差が所定の閾値以下である場合には前記他の送信端末から送信された圧縮データの傍受を行わないと決定することを特徴とする請求項1に記載のデータ圧縮システム。
- 前記圧縮前データ推定部には、前記自身が取得した前記圧縮前データ片を入力として、他の前記送信端末が取得するであろう前記圧縮前データ片を出力する学習モデルが構築されており、前記誤差推定部には、前記自身が取得した前記圧縮前データ片を入力として、前記推定誤差を出力する学習モデルが構築されており、前記圧縮パターン推定部には、前記自身が取得した前記圧縮前データ片及び前記推定誤差を入力として、前記圧縮データ片の傍受を行うか否かを示す情報及び前記圧縮パターンを出力する学習モデルが構築されていることを特徴とする請求項1又は2に記載のデータ圧縮システム。
- 前記圧縮パターン推定部に構築されている前記学習モデルは、前記送信端末の消費電力、前記圧縮処理でのデータの圧縮比、データの復元誤差、及び遅延時間を報酬として、強化学習が施された行動器であることを特徴とする請求項3に記載のデータ圧縮システム。
- 前記複数の送信端末の各々が取得した前記圧縮前データ片に基づき前記学習モデルの各々に学習を施す学習端末を有し、
前記学習端末は、前記複数の送信端末のうちの少なくとも1つから前記学習に使用されていない未学習データを受けた場合には、前記未学習データを反映させた学習を前記学習モデルの各々に施すことで学習モデルの再構築を行うことを特徴とする請求項3又は4に記載のデータ圧縮システム。 - 前記複数の送信端末は、単一の検知対象から夫々検知した検知結果を示すセンサデータ片を前記圧縮前データ片として取得することを特徴とする請求項1~5のいずれか1に記載のデータ圧縮システム
- データ片を圧縮前データ片として取得するデータ取得部と、
取得した前記圧縮前データ片に圧縮パターンに基づく圧縮処理を施して圧縮データ片を生成するデータ圧縮部と、
前記圧縮データ片及び前記圧縮パターンを含む圧縮データブロックを送信する送信部と、を含む送信端末であって、
前記データ圧縮部は、
前記データ取得部で取得した前記圧縮前データ片に基づき、自身以外の他の送信端末が取得するであろう圧縮前データ片を推定する圧縮前データ推定部と、
前記自身が取得した前記圧縮前データ片に基づき前記圧縮前データ推定部で推定された前記圧縮前データ片と前記自身が取得した前記圧縮前データ片との誤差を推定誤差として推定する誤差推定部と、
前記推定誤差の大きさに基づき前記他の送信端末が送信した圧縮データ片の傍受を行うか否かを決定するか又は前記圧縮データ片の傍受の頻度を決定し、前記圧縮データ片の傍受を行わない場合には、前記圧縮前データ推定部で推定された前記データ片及び前記データ取得部で取得した前記データ片に基づき前記圧縮パターンの推定を行い、前記圧縮データ片の傍受を行う場合には、当該傍受した前記圧縮データ片及び前記データ取得部で取得した前記データ片に基づき前記圧縮パターンの推定を行う圧縮パターン推定部と、を含むことを特徴とする送信端末。 - 夫々が、データ片を取得し前記データ片に対して圧縮パターンに基づく圧縮処理を施して得た圧縮データ片を送信する複数の送信端末を制御する制御装置が実行するプログラムであって、
前記複数の送信端末の各々において自身が取得した前記データ片を圧縮前データ片として取得する第1のステップと、
前記自身が取得した前記圧縮前データ片に基づき、自身以外の他の前記送信端末が取得するであろう圧縮前データ片を推定する第2のステップと、
前記自身が取得した前記圧縮前データ片に基づき、前記第2のステップで推定された前記圧縮前データ片と、前記自身が取得した前記圧縮前データ片との誤差を推定誤差として推定する第3のステップと、
前記第2のステップで推定された前記圧縮前データ片、前記自身が取得した前記圧縮前データ片、及び前記推定誤差を行動器に入力することで前記圧縮パターン及び前記他の送信端末から送信された圧縮データ片を傍受するか否かを推定する第4のステップと、
前記第4のステップで圧縮データ片を傍受すると推定された場合には、当該傍受した前記圧縮データ片及び前記自身が取得した前記圧縮前データ片に基づき前記圧縮パターンの推定を行う第5のステップと、
前記第4のステップで前記圧縮データ片を傍受しないと推定された場合には、前記第2のステップで推定された前記圧縮前データ片及び前記自身が取得した前記圧縮前データ片に基づき前記圧縮パターンの推定を行う第6のステップと、を含むことを特徴とするプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021004750A JP7156416B2 (ja) | 2021-01-15 | 2021-01-15 | データ圧縮システム、送信端末、学習モデル構築装置及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021004750A JP7156416B2 (ja) | 2021-01-15 | 2021-01-15 | データ圧縮システム、送信端末、学習モデル構築装置及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022109443A JP2022109443A (ja) | 2022-07-28 |
JP7156416B2 true JP7156416B2 (ja) | 2022-10-19 |
Family
ID=82560231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021004750A Active JP7156416B2 (ja) | 2021-01-15 | 2021-01-15 | データ圧縮システム、送信端末、学習モデル構築装置及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7156416B2 (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018084854A (ja) | 2016-11-21 | 2018-05-31 | 日本電気株式会社 | センサデータ処理方法 |
JP6593519B1 (ja) | 2018-10-25 | 2019-10-23 | 沖電気工業株式会社 | センサデータ圧縮システム、センサ端末、モデル構築装置、およびプログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11353295A (ja) * | 1998-06-09 | 1999-12-24 | Fujitsu Ltd | 内部モデル学習方法及び装置 |
-
2021
- 2021-01-15 JP JP2021004750A patent/JP7156416B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018084854A (ja) | 2016-11-21 | 2018-05-31 | 日本電気株式会社 | センサデータ処理方法 |
JP6593519B1 (ja) | 2018-10-25 | 2019-10-23 | 沖電気工業株式会社 | センサデータ圧縮システム、センサ端末、モデル構築装置、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2022109443A (ja) | 2022-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rabi et al. | Adaptive sampling for linear state estimation | |
Ribeiro et al. | Kalman filtering in wireless sensor networks | |
CN114389975A (zh) | 网络带宽预估方法、装置、系统、电子设备及存储介质 | |
JP7156416B2 (ja) | データ圧縮システム、送信端末、学習モデル構築装置及びプログラム | |
Panigrahi et al. | Block least mean squares algorithm over distributed wireless sensor network | |
Azarnia et al. | A variable tap-length DILMS algorithm with variable parameters for wireless sensor networks | |
Garcia | Ad hoc positioning for sensors in underwater acoustic networks | |
Sun et al. | PM-LPDR: A prediction model for lost packets based on data reconstruction on lossy links in sensor networks | |
Davoli et al. | Non-linear coding and decoding strategies exploiting spatial correlation in wireless sensor networks | |
Ismail et al. | Jamming mitigation in JRC systems via deep reinforcement learning and backscatter-supported intelligent deception strategy | |
Liu et al. | One-bit recursive least-squares algorithm with application to distributed target localization | |
JP2019080144A (ja) | 無線環境状況予測システム、無線環境状況予測方法、および、プログラム | |
JP7036143B2 (ja) | データ圧縮システム、データ圧縮端末、中継装置、学習モデル構築装置及びプログラム | |
KR101644560B1 (ko) | 통신 신호에 대한 tdoa/fdoa 정보 추정 장치 및 방법 | |
Xu et al. | Analysis of quantization noise and state estimation with quantized measurements | |
Chakravorty et al. | On the optimal thresholds in remote state estimation with communication costs | |
Joseph et al. | Online recovery of temporally correlated sparse signals using multiple measurement vectors | |
Dutta et al. | An energy efficient audio compression scheme using wavelet with dynamic difference detection technique in wireless sensor network | |
Nikolaou et al. | In-network predictive analytics in edge computing | |
Xu et al. | State estimation with quantized measurements in wireless sensor networks | |
Frezzetti et al. | Evaluation of energy efficiency-reconstruction error trade-off in the co-design of compressive sensing techniques for wireless lossy sensor networks | |
Aysal et al. | Decentralized estimation over noisy channels for bandwidth-constrained sensor networks | |
JP7040543B2 (ja) | データ圧縮装置、データ圧縮システム、学習モデル構築装置及びプログラム | |
WO2024007957A1 (zh) | Csi反馈的方法、装置、设备及可读存储介质 | |
Liu et al. | Novel sensor scheduling and energy-efficient quantization for tracking target in wireless sensor networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210115 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220315 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220413 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220726 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220822 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220906 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220919 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7156416 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |