文摘

遥测信息规模大,需要额外的空间和传输时间。有一个重要的存储或发送遥测信息阻塞。无损数据压缩(LDC)算法进化过程有效和高效的遥测数据具有高压缩比和一个短的处理时间。遥测信息可以包装控制额外的房间和关联数据传输。尽管事实不同考试的压力遥测信息进行遥测信息让压力的想法非常麻烦。本研究的目的是提供一个子样品和平衡的复发性神经无损数据压缩(SB-RNLDC)方法提高压缩率,同时减少了压缩时间。这是通过两个模型的发展:一个用于子样品预处理,另一个用于BRN-LDC平均遥测数据。在预处理阶段进行二次抽样和平均使用一个可调采样因素。平衡压缩时间间隔(BCI)是用于编码数据根据概率度量在LDC阶段。本研究的目的是比较直接微分压缩技术。 The final output demonstrates that the balancing-based LDC can reduce compression time and finally improve dependability. The final experimental results show that the model proposed can enhance the computing capabilities in data compression compared to the existing methodologies.

1。介绍

航天遥测过程中,传感器连接到一个数据采集系统收集数据的内部或外部力量影响航天器。收集数据,通过通信链路传输到地面站。用户收到评论后,地面站的分析。飞船的环境属性,以及它的组件,通过航天遥测监控系统。这使得故障分析和数据处理。此外,由于大量的存储和可用带宽传输有限,数据压缩需要提高传输效率和降低发射机功率消耗。

有损压缩和无损压缩数据压缩由消除冗余信息从原始数据。只能重新估计原始数据使用有损压缩。无损压缩是一种数据压缩技术可以有效重建原始数据压缩数据。原始文件中的数据是更有效地重写使用无损压缩。无损压缩是用来减小文件的大小,提高压缩率,没有质量的损失。遥测数据,各种各样的无损压缩技术现在在使用。

递归神经网络(RNN)是尖端的时间序列数据的方法,并采用苹果的Siri和谷歌的语音识别。回忆其输入是第一种技术由于其内部存储,使它适合涉及顺序数据的机器学习问题。这是一个算法,使得难以置信的强化学习的进步在过去的几年中。在本文中,我们将复习的基本面如何递归神经网络函数,以及主要的困难,甚至如何修复它们。

在[1),作者提出了一种微分集群(D-CLU)压缩技术实时航空遥感数据的无损压缩。由于相关性,发现利用微分压缩模型成功地提高压缩性能。引入微分压缩,另一方面,是与两大不可忽视的缺点。这些都是标准可靠性和压缩比。集群技术和编码是用于D-CLU解决这两个难题。一次聚类算法在聚类阶段。相反,Lempel-Ziv-Welch和行程长度编码被用于数据编码在编码阶段,根据聚类结果。D-CLU不仅减少了误差传播范围,同时提高可靠性由于其压缩性能的改善。时表示,误差传播范围减少,从而提高整个系统的可靠性、失真的措施并没有分析。为了解决这个问题,本研究以预处理开始最初的遥测数据的二次抽样平均。

通常,压缩算法完成短语分成同样如果他们的作品具有可比性。然而,当某些节点概率表有专门的配方,推理结果也是错误的。解决上述问题,压缩算法和开发顺序推理法和一种改进的压缩推理算法(ICIA)设计(2),随后扩展到跨州节点独立的应用程序二进制父节点。它被证明是最好的工具来分析复杂的多态卫星系统,可靠性分析相当大的进步。所花费的时间压缩复杂的多态卫星系统进行分析,另一方面,一直没有解决。为了解决这个问题,本研究着眼于时间压缩使用BRNN以及可靠性。也增强了平衡压缩压缩时间的间隔。

SB-RNLDC的方法在本文中提出了对遥测数据,扩展的方法1,2)不使用集群。此外,冗余和不良数据丢弃为了孤立最相关的数据压缩。原始样本取自遥测矩阵。此外,我们提高压缩率平均子样品数据使用一个采样周期。执行无损压缩的数据,我们首先建立一个为每个样品测量产生相同的概率分布;然后,我们获得一个BCI来完成LDC,因此降低了压缩时间。以下是一些重大技术进步由这种SB-RNLDC方法。(我)SB-RNLDC方法介绍航空航天应用提高压缩率同时最小化压缩时间。这种贡献是由SATDP模型和BRN-LDC模型。(2)提高压缩率,称为SATDP应用的方法。二次抽样和样本平均小说技术去除噪声和不相关的数据。(3)BRN-LDC模型是用来改善压缩性能,同时降低压缩时间。这部小说概率测量结构(PMS)和bci用于减少计算复杂度。

部分2讨论了相关的工作。部分3进入详细BRN-LDC方法。使用的实验环境和遥测数据集描述部分4。部分5讨论了实验结果的性能分析,部分6总结了纸。

事务的当前状态提供了一个结构解决问题所需要的数据挖掘过程遥测数据包括错误检测、预测,简洁的总结,和大量的可视化,以及协助理解同步整体健康和检测异常的迹象3]。直流技术应用按照数据的编码方案,质量、数据类型和用途。目的、方法、性能参数和各种直流技术的应用进行了讨论。直流技术发展减少大小的数据,但没有解决问题。提高嵌入容量,设计一个高效的无损压缩方法在4]。开发的方法没有考虑压缩性能。文献[5]LDC方法描述无线传感器网络(网络),利用多个代码选项。发达的方法使源数据的压缩和蚀变信息在更高的速度。计算的复杂性,另一方面,没有减少。这个研究工作决定使用ANN-based方法检测原始数据流上的错误来自于监测系统以减少工程师的需要策划为适应不同设备的数据流。文献[6家电)开发了一种无损压缩机制基于硬件的数据压缩。串行接口的硬件加速是为了样品红外(IR)和高频信号。减少采样过量数据的大小和节约闪存空间,使用了一种基于硬件的数据压缩机制。最小化压缩数据的大小,使用了一个基于软件的压缩机制。然而,它不能存储数据。

在[7),一个两步参考压缩方法基于k - means和再邻居了。它减少访问时间和增强的数据加载。然而,由于进展在几乎所有领域的活动,这导致了指数扩张在现实操作。文献[8)提出了一种神经网络与最大熵概率预测方法与高效的哈夫曼编码方案来满足这些类型的工作。因此,传输效率有所提高。传感器的能力和能源效率的两个主要缺点。提高能源效率的传感器处理和存储,(9基于遗传算法提出了一种DCT。为了实现高压缩比,一阶静态代码(富士达)和序列码署。这被认为提高处理时间和计算过程。常规压缩方法无法实现这些需求,需要大规模的传感器数据处理在高压缩率和低能源成本。然而,压缩时间没有减少。文献[10]介绍了PMLZSS方法使用一个高速LDC算法不仅保持压缩速度也提高了压缩率。

在[11),另一个低开销选择技术开发使用prediction-based转换。发达的技术选择最佳的压缩机,减少数据存储和I / O开销但是未能提高压缩质量。文献[12)技术为基础开发出了一种新颖的基于树的整体方法师分歧,确保一个更大的压缩率。在[13),一个独特的数据推断压缩机制使用概率算法确定最可能的位置和对象定位为大体积数据报告。不仅是伟大的准确性声称,据称还效率保持通过识别和删除多余的信息。然而,没有改进的压缩率。压缩是用于14]辩论时消除明显的迹象。

另一个类的引用压缩技术开发(15)通过合并局部比对扩展需求。这导致执行时间的增加,由于减少了内存的使用。然而,这并不是说多余的材料将被删除。为了解决这个问题,4)使用无损压缩完成多层本地化n位截断。毫无疑问,LDC相当普遍。然而,几乎所有LDC和解压缩算法证明是极其低效的并行的时候,他们依靠字典顺序更新。的主要目标16)是开发一种新型LDC模型称为自适应无损数据压缩(所有)。利用图形处理单元(GPU)时,该模型构造的数据压缩比是合理的,而减压是有效的。

在[17),视频压缩算法,显著降低压缩视频的大小。尽管取得了更好的压缩比的设计方法,图像质量退化。科学数据进行无损压缩的另一项研究(18使用数字路由技术)。得到更高的压缩比,数字舍入技术包括在内。压缩速度,另一方面,是慢。文献[19)检查深度数据压缩设备的性能,利用定量率失真分析和主观图像质量评估。目标系统的图像质量增强;然而,处理复杂性被忽视了。

在[20.),作者提出了PGF-RNN开发无损压缩技术。在复发性单位大门会被修改,以提高层相关为了总充分链接的图层和成功定位压缩数据的功能。从压缩文本数据中提取时间特性,使用RNN-based架构。后处理是用来考虑比特序列的频率。设计方法提高了性能,但未能应用的预处理方法。高性能的硬件架构无损和near-lossless LOCOI算法的压缩模式介绍了(21与更高的吞吐量。设计方法提高了压缩比,复杂性并没有解决。

在[22),作者提出了一个基于硬件的款压缩技术,以解决边缘设备的内存限制。款重量压缩使用小说entropy-based方法。对于硬件实现,实时解码的方法是使用。减压的方法设计了使一个单一的体重在一个时钟周期。提高压缩比的设计方法。然而,压缩时间最小化。研制了一种新型高效的数据结构(23]基于这样一个前提:矩阵每一行一小部分共享的权重。一个稀疏矩阵的数据结构被用于减少尺寸和执行的复杂性。不仅是设计数据结构观察的泛化稀疏格式,他们也提供了更多的能量和时间。然而,他们未能消除冗余数据。

在[24),作者介绍了一种有效的基于metaheuristic有限脉冲响应滤波器技术,游戏基于理论的方法,改善图像质量。三个街区构成设计方法:基于博弈论压缩,冷杉过滤和估计错误。设计方法根治错误和噪音,减少冗余和改善原始图像中的信息。然而,计算复杂度并没有减少。提出了一种新的优化方法命名的ost (25为提高时间序列的分割)。理想时间序列分割方法被用于实现修剪的值。一种次优方法,依赖于自下而上的技术选择。然后,次优的结果法作为修剪值减少计算时间。然而,它未能减少计算复杂度。

绝大多数已知的研究并行压缩数据块,并对其进行处理。然而,据称,数据重复出现自压缩块内的并行执行。在传统的作品中,预处理模型用于减少冗余和不需要的数据。然而,没有解决压缩性能,计算复杂度和压缩时间的最小化失败了。现有的编码器和译码器是用于压缩图像增强图像质量。然而,图像质量需要提高。此外,由于有限的学习模式,压缩并不是最优化的实际情况。因此,我们的工作的重点是减少重复数据遥测数据通过一个相当大的预处理模型,以及神经网络数据压缩方法及其应用航空。

3所示。方法

遥测测试模型用于确定飞机的性能和诊断故障飞行测试中通过比较飞机的许多输入传感器响应信号。测试信号被认为服务两个关键角色,传输和存储。在传输过程中,测试信号发送到地面测试站使用遥测系统的无线媒体。在存储、遥测数据或信息保存在一个录音机,回收后的实验的内容。因此,一种非常有效的通信通道传输和遥测数据存储至关重要,由于增加数量和各种测试数据,以及要求较高的实时测试。除了遥测数据压缩,增加信号通道的速度和存储容量。

遥测数据收集来自多个传感器在飞机上是形式的文本,图片,音频,和视频等格式不同成分。只有数字数据被认为是在建议的工作,和一个无损压缩方法。因此,遥测数据转换为数字格式。然而,遥测信号遥测系统操作收购在高采样率包括主管和干扰信号。因此,信号必须执行LDC前预处理,以减轻噪声对LDC的不利影响。为此,提出了一种新颖的方法;它由两个模块化阶段:(1)预处理,二次抽样,和遥测数据的平均值;(2)使用BRNN LDC模型与一个错误的参数。该方法的体系结构是描绘在图1。


图1
拟议中的SB-RNLDC技术架构。

正如图中所看到的,一个典型的SB-RNLDC模型包含两个功能模型:子样品平均遥测数据预处理(SATDP)模型预处理遥测数据通过最小化错误和冗余的动态范围。BRNN-LC模型后,利用两种结构来提高压缩性能:经前综合症和bci。以下部分包含一个该方法的详细描述。

3.1。SATDP模型

最初的遥测数据占几个参数的测量获得的多个传感器,所有具有相同采样率采样。假设” ”表示遥测示例数据获得一次“ ,”,“ “表示” “数据元素。然后由原始遥测数据遥测矩阵(1“TM(一个∗b)”,表示如下:

矩阵(1),“一个”和“b”,分别代表样本的数量和元素在每个采样时刻收集。减轻噪声对LDC的不利影响,建议的方法始于预处理使用遥测数据遥测数据的形式遥测矩阵。LDC之前,二次抽样和平均技术用于预处理。二次抽样消除冗余数据,从而不受欢迎的数据或噪声。自适应采样()在这种情况下降低遥测通信和存储通过选择事件与感兴趣的变量的值。这是数学表达如下:

TM遥测与子样品数据矩阵”党卫军”和“TM遥测矩阵与原样品操作系统“生产使用自适应采样因素和遥测矩阵与原始样本”TM操作系统”,分别从(2)。之后,子样品数据平衡使用下面的方法。为了保持示例逻辑简单,四个节点。”一个(t0),一个(t1),一个(t2),一个(t3),“在一个采样周期采样。四个采样点使用平均平衡因素的不利影响降到最低噪音LDC(即。,消除冗余数据)。在那之后,平均数据”一个(T1)“寄存器写入压缩。子样品平均遥测数据预处理(SATDP)模型如图2。


图2
SATDP模型。

SATDP模型中表示,遥测数据得到矩阵形式作为输入。后,进行二次抽样的遥测数据。(即子样品数据应该减少噪音。,redundant data) and hence eliminate useless data. Following that, averaging at different time intervals is conducted on the subsampled data to minimize the harmful effect on LDC. This procedure is repeated until all telemetry data associated with the related telemetry matrices has been processed. All averaged data are expressed in the following manner.

“TM遥测子样品的平均数据魁人党“从(3)相应的遥测矩阵,然后压缩使用无损压缩下一部分要讨论的。

3.2。BRN-LDC模型

BRN-LDC模型用于预处理遥测数据的目的,降低内存需求、车站接触时间和数据档案体积。BRN-LDC模型表示,确保完全重建原始数据没有失真。此外,通过消除多余的从航空航天应用源数据和冗余数据,BRN-LDC模型保留源遥测数据的正确性。另一方面,在减压过程中,压缩遥测数据用于重建原始数据通过恢复删除不必要的冗余数据。压缩操作完成后,通过合成遥测数据结构表中提供的格式1。

表1
遥测数据信息作为包进行测试。

无损的数据包是随后通过一个数据包从源空间数据系统船舶数据接收器。然后将这些数据包广播在进行通信通道,这样地面系统的遥测数据可以获得自信。包内容然后恢复和解码的地下水池。当前工作检查RNN和柯尔莫哥洛夫因压缩机,以及由此产生的BCI值,使用预处理遥测数据。建议的方法实现BCI利用柯尔莫哥洛夫复杂性压缩机。BRN-LDC模型是由两个结构,即点和BCI架构。

遥测数据流” ,“经前综合症RNN评估的概率分布” ,“基于先前观察到的样本” 。“这个概率测量” ”然后送入BCI结构。最后RNN估计结构,有一个Softmax层估算概率测度。RNN PMS需要作为输入只有以前编码的符号特性。这是表示如下:

从(4),指数函数”e(TMpTM)”应用于每个元素”魁人党TM“输入遥测数据向量的”,“和这些值归一化的总和除以所有的指数,以确保组件的输出向量之和(TM)等于1。再往下,编码器和译码器权值更新。这是至关重要的,因为编码器和译码器必须为每个符号产量可比的分布。表达的重量更新以下的方式:

从(5),权重更新” “是由应用的总成本函数” ”和和加班” “标准误差函数的偏导数” ”的多个实例。

BCI是压缩的因素衡量两个数据文件之间的相似度,接近Kolmogorov复杂度。一本小说名叫DeepCABAC深层神经网络压缩算法是介绍(26]。它取决于使用的基于上下文的自适应二进制算术编码(CABAC)网络的参数。小说量子化方案用于DeepCABAC减少率失真函数。设计DeepCABAC提高压缩率,但是神经网络的问题没有解决。为了解决这些困难,BCI结构接收概率分布的估计下面的示例并将它作为一个编码状态。这BCI许可遥测数据包的比较从两个数据文件,同时保持原始文件的无损压缩,避免特征提取的方法,通常用于压缩和解压缩。最后,解码器的操作是可逆的。BCI保持一系列[0,1],每个符号流设置自己的范围。这个范围内确定线性和依赖成功样本的概率估计。这个范围被称为BCI的状态,并进行下列迭代。 Finally, this range is encoded, resulting in the compressed data. Given the probability estimates, the decoding operations are inverse operations. The BCI is stated mathematically as follows:

相应的BCI遥测数据矩阵的形式与“p“行,”问“列计算使用压缩文件的大小通过连接“C(p,问),“对最小连接”分钟C(p),C(问)”和最大连接”马克斯C(p),C(问)”。算法的伪代码表示BRN-LDC下面(1)。

输入:TM遥感样本数据”我= {TM我1,TM我2TM,…ijTM,…在},“时间”t”
输出:高度优化的无损压缩数据
(1) 开始
(2) 为每个遥测TM示例数据”我”
(3) 表达遥测矩阵给出了(1)
(4) 使用(执行二次抽样2)
(5) 执行平均使用(3)
(6) 返回(TM魁人党)预处理遥测数据
(7) 结束了
(8) 为每个预处理(TM遥测数据魁人党)
(9) 测量软件功能使用(4)
(10) 更新使用重量(5)
(11) 测量BCI使用(6)
(12) 结束了
(13) 结束
算法1BRN-LDC。

在上面的描述BRN-LDC方法中,两个程序执行。最初,业者和平均技术用于样本遥测数据。预处理的遥测数据样本用于去除不必要的和冗余的功能。BRNN用于LDC增加预处理样品遥测数据的计算效率。这是说要做以这种方式结合BCI的函数的导数。

3.3。BRNED

最后,这个组件执行编码器和解码器操作。图3说明了BRNED操作。BCI始于违约概率分布的估计S0的首样”。“这是这样做的解码器可以解码第一个示例。

DeepZip、无损的压缩机使用的网络,介绍了在26为提高无损压缩。设计方法是快,但没有工作在更复杂的来源。为了克服这个问题,BRNED操作介绍。如图3经前综合症,BCI和保留迭代之间的状态信息。BCI的最终状态是无损压缩数据。


图3
BRNED。

4所示。实验设置

BRNN-LDC提出算法的性能测试在这部分通过使用MATLAB数值模拟。建议SB-RNLDC方法使用预测性维护遥测数据集,包括来自各种数据源的数据,包括遥测、故障、维护,错误,和机器。

第一个数据集是遥测时间序列数据,这是由振动的实时电压、旋转,压力测量由100台机器,并在2015年平均每小时。第二个数据源是错误日志,包含不打断的故障不会导致机器故障。由于遥测数据的每小时的收购,不正确的日期和时间也四舍五入为最接近的小时。计划内和计划外维护记录,它既属于常规组件检查和组件失败,第三是数据源。当一个组件被替换在预定检验由于失败,记录创建或替换。第四个数据源是机器,它表示的模型类型和一年的服务。最后,最后一个数据源跟踪组件失败和组件更换。压缩率、压缩时间,SB-RNLDC方法的计算复杂度都是测量和两个当前方法相比,D-CLU [1]和ICIA [2]。

5。结果与讨论

SB-RNLDC方法相比,两种最先进的方法在这一节中,即D-CLU [1)和ICIA技术(2]。

5.1。性能估算的压缩率

数据压缩率是用来量化大小减少产生的数据表示平衡RNN数据压缩方法。换句话说,压缩率是用来评估算法的效率。因此,压缩率被定义为未压缩的数据的大小除以压缩数据量。

压缩率(CR)决定通过比较未压缩的遥测数据长度的大小”U大小“压缩遥测数据长度的大小”C大小“在(7)。接近零值表示改进压缩,而不止一个的值表示消极压缩;即。,the compressed image size is greater than the reference image size. Below are sample compression rate calculations for the proposed SB-RNLDC method, as well as the existing algorithms, namely, D-CLU and ICIA.

5.1.1。样本计算

(我)算法SB-RNLDC:给出了整体压缩率低于使用15个样本作为输入,遥测数据压缩前的长度是175,和遥测数据压缩后的长度是125。 (2)现有算法D-CLU:考虑15遥测采集的样本作为输入,遥测数据压缩前的长度是175,和遥测数据压缩后的长度是135;整体压缩率如下: (3)现有算法ICIA:考虑15遥测采集的样本作为输入,遥测数据压缩前的长度是175,和遥测数据压缩后的长度是145;下面是整体压缩率。

图4展示了各种样品的压缩率利用小说SB-RNLDC方法以及建立D-CLU算法(1)和ICIA方法(2]。在大多数样本,它可以表明SB-RNLDC方法执行优于其他两种方法。使一个公平的比较三种方法的仿真参数范围从15到150。SB-RNLDC技术优于D-CLU算法(1)和ICIA方法(2),但D-CLU算法(1)优于ICIA方法(2]。SB-RNLDC技术,例如,压缩所有样本到接近于零的水平,这意味着压缩数据量超过未压缩数据量。这是因为SB-RNLDC方法利用柯尔莫哥洛夫因压缩机来确定BCI。压缩性能应该是增强了BCI通过收购。此增强功能应该SB-RNLDC方法的压缩率提高10%相比D-CLU算法(1]。此外,因为只有有限的数据序列相关概率应用程序,最短的BCI结合Kolmogorov复杂度描述避免冗余数据遥测矩阵,增加SB-RNLDC方法的压缩率27% ICIA [2]。


图4
比较压缩率提出SB-RNLDC和现有算法(D-CLU和ICIA)。
5.2。压缩性能估算时间

LDC技术的CT值应该尽可能小。由于更大数量的遥测数据,遥测数据相当高的CT相比,传统的数据。

压缩时间使用样本容量和计算时间消耗在压缩期间(11)。毫秒是用来量化(女士)。建议SB-RNLDC方法,以及现有的D-CLU ICIA方法、样本压缩时间计算。

5.2.1。样本计算

(我)提出SB-RNLDC:共有15个样本选择的测试和一个压缩时间0.035毫秒为单个样本,总压缩时间如下: (2)现有D-CLU:共有15个样本选择的测试和一个压缩时间0.043毫秒为单个样本,总压缩时间如下: (3)现有ICIA:共有15个样本选择的测试和一个压缩时间0.051毫秒为单个样本,计算总压缩时间如下:

压缩时间150个不同的样品比较图5。图5阴谋每个压缩时间间隔在150个不同的样本。图中显示,压缩时间随着样本数量的增加而延长。例如,当15个不同的样本被认为,所需的时间压缩到一个样本被发现使用SB-RNLDC方法0.035毫秒,0.043 ms使用D-CLU算法,使用ICIA方法0.051毫秒。因此,整个压缩时间确定为0.525 ms, 0.645女士,女士和0.765,分别利用SB-RNLDC, D-CLU算法,和ICIA方法。因此,样本大小正比于压缩时间,如图表所示。整体的数据量增加随着样本数量的增加,所以必要的时间压缩它。然而,拟议的SB-RNLDC方法会导致更快的压缩时间。这是因为利用两个不同的程序,即二次抽样和样本平均。二次抽样证明是有效减少无关的数据。这导致压缩时间减少22%相比,D-CLU当用人SB-RNLDC方法(2]。除了平均平衡的应用二次抽样点,表明SB-RNLDC方法可以降低压缩时间33%相比ICIA方法(2]。


图5
压缩时间的比较提出SB-RNLDC和现有算法(D-CLU和ICIA)。
5.3。性能估计的计算复杂度

“计算复杂度”一词指的是所需的内存数据压缩和解压。方法的效率是保证由其计算复杂度较低。这是表现在以下方式:

在(15),计算复杂性(CC)是由遥测矩阵包含原始样本的大小“样本”,在压缩了的内存数量。这是千比特量化(KB)。新SB-RNLDC方法比较与当前D-CLU和ICIA方法计算复杂度。

5.3.1。样本计算

(我)提出SB-RNLDC:共有15个样品和一个样品消耗12 KB的内存压缩期间,整个计算复杂度如下: (2)现有D-CLU: 15个样品考虑和一个示例使用18 KB的内存压缩期间,整个计算复杂度如下: (3)现有ICIA: 15个样品考虑和一个示例使用23 KB的内存压缩期间,整个计算复杂度如下:

图6描述了样本的收敛的计算复杂度评估范围内的15到150个样本在不同时间间隔。LDC进程所使用的内存的数量称为计算复杂度。计算的难度是报道的变化取决于从遥测数据试验获得的样本的数量。减少计算复杂度保证方法的效率。此外,在图中可以看到,样品的数量计算复杂度成正比。这是因为外来物质的存在在遥测数据预处理期间不删除有不利影响的复杂性。然而,BRN-LDC应该减少计算复杂度,同时保持高可靠性和压缩时间短。此外,计算复杂度降低由于这些增强功能。首先,冗余数据实际上是消除二次抽样和平均使用,导致更高的压缩率。压缩时间规定是降低了压缩率增加。 By SB-RNLDC approach, computational complexity is stated to be lowered by 15% compared to [1)和23% (2]。


图6
计算复杂度的比较提出SB-RNLDC和现有算法(D-CLU和ICIA)。

6。结论

遥测数据高维度特征的复杂的自然降解数据压缩期间整体效率。本文描述了SB-RNLDC方法。本研究最重要的贡献是提高数据的压缩率由SATDP模型。遥测数据收集从不同的时间段。示例使用平均参数遥测数据然后子样品和平衡提高压缩率。子样品和平衡的遥测数据被放入BRN-LDC加快压缩模型。最后,据透露,下午和BCI可能用来降低计算的复杂性。相比早些时候尝试,MATLAB实验表明,该技术是更高效的压缩率、压缩时间,计算复杂性。根据结果,柯尔莫哥洛夫因压缩机实现更大的压缩率,28%的最小压缩时间利用二次抽样和样本的平均,和计算复杂度低19%的援助BRN-LDC模型比最先进的方法。

该模型可以实现各种实际应用中大量的数据需要处理。它的一些实际应用涉及航空航天应用,股票市场,大型数据仓库存储和数据传输。

数据可用性

可以根据要求提供的数据。

的利益冲突

作者宣称没有利益冲突。