【技术实现步骤摘要】
一种基于补偿型长短期记忆网络的触感通信容错方法及系统
本专利技术涉及触感通信
,特别是一种基于补偿型长短期记忆网络的触感通信容错方法及系统。
技术介绍
随着虚拟现实(VR)和人工智能领域的发展,人们逐渐无法满足于视觉和听觉上获得的真实感和沉浸感,因而触感在业界受到越来越多的关注。触感数据在传输过程中可能因网络抖动等问题造成传输出错,进而可能导致触感通信系统不稳定。传统上采用零阶保持与一阶线性等方法解决此问题,但研究表明触感数据并不仅是简单的线性关系。近年来,长短期记忆(LSTM)神经网络由于其在时间序列预测上的优势,有研究人员利用其实现了触感数据的非线性预测,并在容错性能上有了较大提升。但是触感数据的变化规律性较差,使用原始的LSTM进行预测时,当遇到触感数据变化前后斜率突变的情况时,LSTM预测将在拐点处出现一个较大误差,并在之后的预测中延续或稍微减小该误差值,从而导致总体上的预测效果不佳。
技术实现思路
有鉴于此,本专利技术提出一种基于补偿型长短期记忆网络的触感通信容错方法及系统,通过加入补偿门对输出值进行补偿,进一步降低预测误差,提高触感通信系统稳定性。本专利技术设计了以下方案实现:一种基于补偿型长短期记忆网络的触感通信容错方法,具体包括以下步骤:根据触感数据特性,设计了补偿型LSTM数据预测模型,在接收数据时,采用补偿型LSTM模型对通信过程中缺失的数据进行预测重构,恢复原序列。进一步地,所述补偿型LSTM模型为R-LSTM模型,通过分析,所述R-LSTM模型 ...
【技术保护点】
1.一种基于补偿型长短期记忆网络的触感通信容错方法,其特征在于,包括以下步骤:/n根据触感数据特性,设计补偿型LSTM数据预测模型,在接收数据时,利用补偿型LSTM模型对通信过程中缺失的数据进行预测重构,恢复原序列。/n
【技术特征摘要】
1.一种基于补偿型长短期记忆网络的触感通信容错方法,其特征在于,包括以下步骤:
根据触感数据特性,设计补偿型LSTM数据预测模型,在接收数据时,利用补偿型LSTM模型对通信过程中缺失的数据进行预测重构,恢复原序列。
2.根据权利要求1所述的一种基于补偿型长短期记忆网络的触感通信容错方法,其特征在于,所述补偿型LSTM模型为R-LSTM模型,所述R-LSTM模型为在原始的LSTM门结构上增加一个补偿门,根据输入的前一时刻真实值xt-1与预测值Output_tml计算补偿值,把得到的补偿值加入到原来LSTM的输出反馈值中,得到当前时刻的预测值。
3.根据权利要求2所述的一种基于补偿型长短期记忆网络的触感通信容错方法,其特征在于,所述补偿门的计算公式如下:
rt=sigmoid(wr*(Output_tml-xt-1)+br);
式中,wr、br、Output_tml、xt-1分别为补偿门的权重系数、偏置系数、前一时刻的预测值、前一时刻的真实值,sigmoid()为激活函数,rt为计算得到的补偿值。
4.根据权利要求2所述的一种基于补偿型长短期记忆网络的触感通信容错方法,其特征在于,所述R-LSTM模型的总体计算公式如下:
式中,ft是遗忘门,it是输入门,是细胞状态,ot是输出门,ht是当前时刻的输出反馈值;xt表示当前时刻的真实值,xt-1表示前一时刻的真实值;W项是权重矩阵,Wf、Wi、Wr和Wo分别是遗忘门、输入门、补偿门、输出门对应的权重矩阵,Wc是细胞状态的权重矩阵;b为偏置向量,bf、bi、br和bo分别是遗忘门、输入门、补偿门、输出门的偏置向量,bc是细胞状态的偏置向量;ht-1是前一个时刻的输出反馈值,Ct-1和Ct分别表示前一个时刻和当前时刻的细胞状态,outputst-1代表前一个时刻的输出预测值,rt代表当前时刻的补偿值;·表示矩阵之间的乘法运算,*表示逐元素相乘,σ和tanh是激活函数,σ表示sigmoid()函数,tanh()表示双曲正切函数。
5.根据权利要求1所述的一种基于补偿型长短期记忆网络的触感通信容错方法,其特征在于,还包括步骤:在发送数据时,通过对要发送的数据进行预测压缩,仅发送预测值与真实值相对偏差大于死区参数的数据帧,以减少需要发送的数据量。
6.根据权利要求5所述的一种基于补偿型长短期记忆网络的触感通信容错方法,其特征在于,所述缺失的数据为丢包数据或者因压缩省去的数据。
7.根据权利要求5...
【专利技术属性】
技术研发人员:徐艺文,林擎旭,郑权斐,房颖,赵铁松,
申请(专利权)人:福州大学,
类型:发明
国别省市:福建;35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。