机械振动WSNs子带峰值自适应量化融合编解码方法

针对智能运维机械振动无线传感器网络多传感器传输振动数据时面临传输数据量大及传输效率低的问题,本文提出一种子带峰值自适应量化融合编解码方法。首先,传感器节点对原始数据进行离散余弦变换以确保子带能量集中;然后提取出子带DCT系数中的离群值,并用子带峰值自适应量化方法对其进行量化以减少数据失真;最后,用字节融合与比特融合方法将多传感器的量化数据进行融合拼接以减少数据冗余。将提出的方法与其他数据压缩方法进行对比以验证本文方法的性能。实验结果表明,该方法在8个节点同时采集传输的机械振动无线传感器网络中,数据压缩比为8.335时,重构信噪比为20.4863 dB,节省37.2%的传输时间,可以有效实现信道资源受限的机械振动无线传感器网络多传感器振动数据的融合压缩。

基于序列标注反馈模型的方面信息提取方法

针对已有方面信息提取方法存在信息利用效率低、易受错误传递影响的问题,提出一种基于编码器-解码器架构的序列标注反馈模型,将文本分类特征分为语义特征、词性特征、依赖特征3类,通过双路编解码、门控机制,将语义、词性、标签等信息多次融合,获取并提高最终特征表示能力;为降低错误传递问题对模型性能的不良影响,提出数据增强与反馈方法,将模型判断错误的样本经变换后生成新样本,反馈到训练样本集合中并融入下一轮训练流程,提高模型对各种语言现象的识别接受能力。在两个数据集上进行实验并与现有方法进行对比,实验结果表明,该方法能有效强化信息利用水平,降低错误传递问题的影响,具有更好的性能。