【摘要】：隨著信息化時代的來臨,數(shù)據(jù)如何被快速地傳輸和高效地存儲變成一個引人關(guān)注的話題,而數(shù)據(jù)壓縮技術(shù)恰好是解決這一問題的有效方法。數(shù)據(jù)壓縮是指在保證信息的完整性或者數(shù)據(jù)的重要信息不丟失的同時,減少數(shù)據(jù)的體積,從而提高其傳輸、存儲和處理效率的一種技術(shù)。數(shù)據(jù)壓縮技術(shù)日益被人們關(guān)注的原因有兩點:一是存儲數(shù)據(jù)的設(shè)備的容量的是有一定限制的,為了能夠在有限的空間存儲更多的數(shù)據(jù)就需要對原始數(shù)據(jù)進(jìn)行壓縮。二是信息技術(shù)的高速發(fā)展對數(shù)據(jù)傳遞速度的要求越來越高。在數(shù)據(jù)傳遞過程中數(shù)據(jù)包越小傳遞的速度就越快,所以在為了獲得更快的傳遞速度和更高的處理效率,在滿足使用者對信息要求的情況下,數(shù)據(jù)量越小越好。隨著大數(shù)據(jù)時代的來臨,數(shù)據(jù)的存儲和傳輸面臨著越來越多的問題。由于數(shù)據(jù)的體積呈現(xiàn)爆發(fā)式增長、數(shù)據(jù)的結(jié)構(gòu)越來越復(fù)雜,使得傳統(tǒng)的數(shù)據(jù)壓縮算法面臨著嚴(yán)峻的挑戰(zhàn)。恰是在此背景下,本文提出了把深度學(xué)習(xí)技術(shù)和聚類算法相結(jié)合的模型用于數(shù)據(jù)壓縮的研究。從實驗結(jié)果來看,混合模型在取得高壓縮比的同時也保存了大量的重要信息,使得解壓后的數(shù)據(jù)能夠較好的表示出原始數(shù)據(jù),非常適用于結(jié)構(gòu)復(fù)雜數(shù)據(jù)的有損壓縮。本文還在數(shù)據(jù)預(yù)處理階段使用了數(shù)據(jù)補全和數(shù)據(jù)校正技術(shù),保證了數(shù)據(jù)的完整性,減少了噪聲數(shù)據(jù)對實驗的影響。在把深度學(xué)習(xí)技術(shù)用于智能電表數(shù)據(jù)壓縮的研究中,本文還使用了無損編碼技術(shù)應(yīng)用于有損壓縮后數(shù)據(jù)的進(jìn)一步壓縮。最后本文采用了交叉驗證技術(shù)驗證了模型的性能,實驗結(jié)果表明這一混合模型是可靠、穩(wěn)定的。
[Abstract]:With the advent of the information age, how data can be transmitted quickly and stored efficiently has become a hot topic, and data compression technology is just an effective way to solve this problem. Data compression technology has been paid more and more attention to for two reasons: first, the capacity of data storage devices is limited, in order to be able to store more data in a limited space, it is necessary to compress the original data. second, the rapid development of information technology on data. In order to achieve faster transmission speed and higher processing efficiency, the smaller the amount of data, the better. With the advent of the era of large data, data storage and transmission are facing. Because of the explosive growth of data volume and the complexity of data structure, traditional data compression algorithms are facing severe challenges. Under this background, this paper proposes a model which combines depth learning technology with clustering algorithm for data compression. The model not only obtains high compression ratio but also saves a lot of important information, so that the decompressed data can better represent the original data, which is very suitable for lossy compression of complex structure data. In the research of applying depth learning technology to data compression of smart meters, lossless coding technology is used to further compress the data after lossy compression. Finally, the performance of the model is verified by cross-validation technology. The experimental results show that the hybrid model is reliable and stable.
【學(xué)位授予單位】：華北電力大學(xué)(北京)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP181

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 鄧俊鋒;張曉龍;;基于自動編碼器組合的深度學(xué)習(xí)優(yōu)化方法[J];計算機應(yīng)用;2016年03期

2 Zhenlong Yuan;Yongqiang Lu;Yibo Xue;;Droid Detector:Android Malware Characterization and Detection Using Deep Learning[J];Tsinghua Science and Technology;2016年01期

3 苗海艷;郭麗芳;;廣義回歸神經(jīng)網(wǎng)絡(luò)在全國高技能人才需求中的應(yīng)用研究[J];科技管理研究;2015年16期

4 杜辰飛;曲建嶺;孫文柱;高峰;;基于稀疏自動編碼器的飛參數(shù)據(jù)異常檢測[J];計測技術(shù);2015年02期

5 陸萍;陳志峰;施連敏;;RBM學(xué)習(xí)方法對比[J];計算機時代;2014年11期

6 劉羽;曾杰輝;劉曉陽;;一種船舶雷達(dá)導(dǎo)航回波數(shù)據(jù)壓縮算法的設(shè)計[J];計算機測量與控制;2014年08期

7 劉建偉;劉媛;羅雄麟;;深度學(xué)習(xí)研究進(jìn)展[J];計算機應(yīng)用研究;2014年07期

8 孫健;任國強;吳欽章;;基于自適應(yīng)指數(shù)哥倫布編碼的圖像壓縮算法[J];光學(xué)精密工程;2013年11期

9 王元卓;靳小龍;程學(xué)旗;;網(wǎng)絡(luò)大數(shù)據(jù):現(xiàn)狀與展望[J];計算機學(xué)報;2013年06期

10 張鳳元;蘭麗;鄒佳;公緒艷;楊東;;小波變換結(jié)合LZW壓縮算法探究[J];北京化工大學(xué)學(xué)報(自然科學(xué)版);2013年02期

相關(guān)碩士學(xué)位論文 前2條

1 陳承;基于壓縮感知的智能電表設(shè)計與實現(xiàn)[D];武漢理工大學(xué);2013年

2 趙亞飛;基于視覺的手勢識別技術(shù)研究[D];浙江大學(xué);2011年

，

本文編號：2243037