申请/专利权人：成都理工大学

申请日：2024-01-24

公开（公告）日：2024-06-25

公开（公告）号：CN118249815A

主分类号：H03M7/30

分类号：H03M7/30;G06N3/044;G06N3/0442;G06N3/0455;G06N3/048;G06N3/08

优先权：

专利状态码：在审-公开

法律状态：2024.06.25#公开

摘要：本发明公开了一种基于循环神经网络和自编码器的DAS信号压缩方法，包括获取DAS数据构成数据集；构造DAS信号处理神经网络，包括压缩网络和解压网络；压缩网络通过控制输出隐藏状态的维度来控制输出数据的通道数、尺寸等，将数据的特征表示逐步由单个通道转移至多个通道；解压网络用于重构出DAS重构数据。本发明训练时，采用多轮、每轮多次迭代的方式，并考虑训练损失、额外损失等影响，从而调整网络参数。本发明凭借RNN强大的时间序列处理能力以及长期依赖提取能力，在压缩阶段充分的提取出DAS信号之间的依赖关系，极大的降低了DAS信号中的冗余信息，从而能够提供较大的压缩比，且大大提高了DAS信号的传输和存储效率。

主权项：1.一种基于循环神经网络和自编码器的DAS信号压缩方法，其特征在于：包括以下步骤；1大量获取尺寸为H,W的DAS数据，构成数据集，所述H、W分别为DAS数据的通道数和长度；2构造一DAS信号处理神经网络M0，包括压缩网络和解压网络；所述压缩网络包括依次设置的第一二维卷积层、RNN组合、第二二维卷积层和量化函数层；所述第一二维卷积层卷积核为3×3、步长为2、输入通道数为1，输出通道数为64，用于通过64个过滤器拾取DAS数据内的特征，输出尺寸为H2，W2的第一压缩特征；所述RNN组合由多个RNN堆叠而成，RNN组合的输入通道数为64，输出通道数为512，用于依次对第一压缩特征进行特征提取，输出尺寸为H16，W16的第二压缩特征；所述第二二维卷积层卷积核大小为1×1、步长为1、输入通道为512，输出通道为C，压缩比为512C，用于输入第二压缩特征，输出尺寸为H16，W16第三压缩特征；所述量化函数层用于将第三压缩特征转化为通道数为C的二进制比特流；所述解压网络包括依次设置的第三二维卷积层、数个组合层、第四二维卷积层，每个组合层包括一RNN层，且RNN层输出端接上采样层；所述第三二维卷积层卷积核为1×1、步长为1、输入通道数为C，输出通道数为512，用于输入二进制比特流，得到尺寸为H16,W16第一解压特征；组合层中，RNN用于对上一层的输出进行特征提取，再由对应上采样层经PixelShuffle算法减少解码网络的通道数增加上一层的输出的尺寸，且最后一个组合层输出尺寸为H,W的第二解压特征；所述第四二维卷积层卷积核为3×3、步长为1、输入通道数为32，输出通道数为1，用于输入第二解压特征，得到第三解压特征；3预设训练轮次N、每轮迭代次数T、从数据集中选取m个DAS数据，按轮次训练M0得到DAS信号压缩模型M1，其中第n轮训练包括步骤31～35，1≤n≤N；31对第n轮第1次迭代，将m个DAS数据作为样本送入M0得到m个输出，计算每个样本在本次迭代的损失值，其中样本x本次迭代的损失值rt根据下式计算；rt＝|xt-rt-1|，2≤t≤Trt-1＝x，t＝1式中，t为第t次迭代，1≤t≤T，rt、rt-1分别为第t次、t-1次迭代的损失值；32将m个上次迭代的损失值作为下次迭代的输入，按步骤31再次得到下次迭代的损失值，直至完成T次迭代，每个样本对应T次输出和T个损失值；33对每个样本，叠加对应的T次输出作为其第n轮的DAS重构数据，叠加对应的T个损失值作为其第n轮的训练损失；34计算第n轮总损失式中，对第n轮第i个样本为的训练损失，为的额外损失，为的额外损失权重，λ为额外损失相对总损失的权重；35用根据反向传播算法更新M0的网络参数；4压缩时，获取待压缩的DAS数据，输入M1的压缩网络，经量化函数层后输出对应的二进制比特流，作为该待压缩的DAS数据的压缩数据；5解压时，将压缩数据输入M1的解压网络，经第四二维卷积层输出第三解压特征，作为该待压缩的DAS数据的解压数据。

全文数据：

权利要求：

百度查询： 成都理工大学 基于循环神经网络和自编码器的DAS信号压缩方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD