一种基于改进麻雀搜索算法优化CAEN的图像数据压缩方法技术

本发明专利技术公开了一种基于改进麻雀搜索算法优化CAEN的图像数据压缩方法，其采用改进Circle混沌映射初始化麻雀个体种群，增强种群多样性；将正余弦突变算子引入警戒者公式来提高搜索能力；针对麻雀搜索算法中，发现者与跟随者比例相对固定，导致其存在全局搜索能力与局部寻优能力不协调，提出了自适应种群调整策略，平衡CMASSA的全局搜索能力和局部寻优能力；在数据压缩领域，将CMASSA算法与CAEN结合，提出新的适应度函数，并将超参数进行实数编码，最后在保证一定数据压缩比例的前提下，获取最优的CAEN网络结构。取最优的CAEN网络结构。取最优的CAEN网络结构。

【技术实现步骤摘要】
一种基于改进麻雀搜索算法优化CAEN的图像数据压缩方法


[0001]本专利技术涉及边缘计算中图像数据压缩
，具体涉及一种基于改进麻雀搜索算法优化CAEN的图像数据压缩方法。

技术介绍

[0002]在实现万物互联的同时，传感器节点将采集到海量的图像数据，这些数据不但存在着大量冗余，传输过程中还会占用大量通信带宽资源。如果在靠近数据源的边缘服务器上提前压缩数据，不仅可以提升数据传输效率，还可以在云服务中心进行更灵便的数据处理。
[0003]深度学习在数据压缩领域取得了良好的效果，尤其在数据量大的情况下，相比传统的机器学习方法更优。卷积自编码网络(Convolutional Auto
‑
Encoder Network,CAEN)是一种深度神经网络，以无监督的方式学习，进行有效的数据编码，其网络的超参数对最终模型的优劣有着巨大影响，传统超参数的设置通常要耗费大量人力调优，并且很难找到最优解。近年来，众多研究人员一直在寻找合适的方法来获取最优的网络超参数，旨在提高模型性能。

技术实现思路

[0004]本专利技术的目的在于，提供一种图像数据压缩方法，其基于混沌突变自适应麻雀搜索算法(CMASSA)实现，将超参数进行实数编码，在最优的CAEN网络中进行图像数据压缩。
[0005]为实现上述目的，本申请提出一种基于改进麻雀搜索算法优化CAEN的图像数据压缩方法，包括：
[0006]步骤1：搭建基础CAEN网络结构，确定网络中卷积核大小、个数等参数范围，根据所述参数范围设置麻雀种群所在空间的初始上下限，麻雀种群个数N，发现者与跟随者最大比例系数r，最大迭代次数T
max
、位置维度等基本参数，将待压缩图片数据的训练集和测试集输入到基础CAEN网络中；
[0007]步骤2：采用实数编码方式，将基础CAEN网络的卷积层内核大小，池化层内核大小，Dropout层损失神经元比例等超参数进行编码；
[0008]步骤3：将所述编码作为CMASSA算法的麻雀个体，对所述基础CAEN网络的超参数进行混沌初始化；
[0009]步骤4：初始化后的超参数输入到基础CAEN网络进行压缩和重建，根据CAEN网络分类任务的误差率Loss和数据重建度Rate，并利用初始化的超参数得到每个麻雀个体的初始适应度，对当前最优以及最劣麻雀个体对应的超参数进行记录；
[0010]步骤5：获取发现者和跟随者数目，调整麻雀种群中最优的超参数和剩余的超参数比率其中t是当前迭代次数，k是一个[0,1)随机数；pNum＝r
·
N个发现者、sNum＝(1
‑
r)
·
N个跟随者自适应调整种群数目，选取当前迭代周期中，适应度值最优的pNum个麻雀个体作为发现者，其余sNum个麻雀个体作为跟随者；根据发现者对应的
网络超参数X
i
位置及跟随者对应的网络超参数X
i
位置进行麻雀个体位置更新，并获取所述发现者与跟随者的适应度值；
[0011]步骤6：随机选取当前麻雀种群中的20％超参数作为警戒者，更新麻雀位置，并得到该麻雀的适应度值；
[0012]步骤7：一次迭代周期完成后，存储该周期最优麻雀个体对应的超参数；
[0013]步骤8：重复步骤4
‑
7，达到最大迭代次数后，输出并存储最优的超参数；
[0014]步骤9：将最优的超参数输入到重建后的CAEN网络中，得到最优CAEN网络结构，通过所述最优CAEN网络结构进行图像数据压缩。
[0015]进一步的，对基础CAEN网络的超参数进行混沌初始化，具体为：
[0016][0017]其中，为经编码后第t次迭代的CAEN网络超参数所在第i只麻雀的第j个参数；
[0018]进一步的，所述误差率为其中TP,FP,TN,FN分别代表真阳性，假阳性，真阴性，假阴性的样本数。
[0019]进一步的，所述数据重建度其中x
i
，y
i
分别为压缩前后图片数据向量。
[0020]进一步的，所述麻雀个体的初始适应度为Fitness＝a
·
Loss+b
·
Rate，其中a，b为常数，a+b＝1。
[0021]进一步的，发现者对应的网络超参数X
i
位置为：
[0022][0023]跟随者对应的网络超参数X
i
位置为：
[0024][0025]其中，α为(0,1]内服从均匀分配的一个随机数；Q为[0,1)内服从正态分布的一个随机数；L是一个长度为d，元素全部为1的一维向量；AT和ST分别代表安全值和警戒值，其中AT为[0,1)内的一个随机数，ST作为警戒值，一旦AT大于ST，麻雀个体将按照符合正态分布的步伐，更新个体位置到其他更安全的地方；表示在当前迭代中全局最劣位置；X
P
为目前发现者所占据的最优位置；A
+
＝A
T
(AA
T
)
‑1，A是一个长度为d，元素全部为1或者
‑
1的一维向量。
[0026]进一步的，步骤6中更新麻雀位置的方式为：
[0027][0028]其中，f
i
为当前麻雀个体的适应度值；f
g
为本次迭代中最优的麻雀个体适应度值；f
w
为本次迭代中最差的麻雀个体适应度值；是此次迭代中的全局最优位置；β是一组长度为d，均值为0，方差为1，在[0,1)内满足正态分布的随机数；K是区间为[
‑
1,1]内的随机数；ε是一个极小常数，以防止出现当前个体的适应度就是目前全局最差的适应度值，造成分母为0的情况。
[0029]本专利技术采用的以上技术方案，与现有技术相比，具有的优点是：本专利技术采用改进Circle混沌映射初始化麻雀个体种群，增强种群多样性；将正余弦突变算子引入警戒者公式来提高搜索能力；且提出了自适应种群调整策略，平衡CMASSA的全局搜索能力和局部寻优能力；将CMASSA算法与CAEN结合，提出新的适应度函数，并将超参数进行实数编码，最终得到的最优CAEN网络，在相同压缩比下平均识别准确率和数据重建度更高。
附图说明
[0030]图1为CAEN结构示意图；
[0031]图2为基于改进麻雀搜索算法优化CAEN的图像数据压缩方法流程图；
[0032]图3为数据原始图像和压缩重建后图像对比图；
[0033]图4为实施例中优化结果对比图。
具体实施方式
[0034]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请，即所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
[0035]如图1所示，为了证明本专利技术的有效性，使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进麻雀搜索算法优化CAEN的图像数据压缩方法，其特征在于，包括：步骤1：搭建基础CAEN网络结构，确定网络中卷积核大小、个数的参数范围，根据所述参数范围设置麻雀种群所在空间的初始上下限，麻雀种群个数N，发现者与跟随者最大比例系数r，最大迭代次数T
max
、位置维度，将待压缩图片数据的训练集和测试集输入到基础CAEN网络中；步骤2：采用实数编码方式，将基础CAEN网络的卷积层内核大小，池化层内核大小，Dropout层损失神经元比例的超参数进行编码；步骤3：将所述编码作为CMASSA算法的麻雀个体，对所述基础CAEN网络的超参数进行混沌初始化；步骤4：初始化后的超参数输入到基础CAEN网络进行压缩和重建，根据CAEN网络分类任务的误差率Loss和数据重建度Rate，并利用初始化的超参数得到每个麻雀个体的初始适应度，对当前最优以及最劣麻雀个体对应的超参数进行记录；步骤5：获取发现者和跟随者数目，调整麻雀种群中最优的超参数和剩余的超参数比率其中t是当前迭代次数，k是一个[0,1)随机数；pNum＝r
·
N个发现者、sNum＝(1
‑
r)
·
N个跟随者自适应调整种群数目，选取当前迭代周期中，适应度值最优的pNum个麻雀个体作为发现者，其余sNum个麻雀个体作为跟随者；根据发现者对应的网络超参数X
i
位置及跟随者对应的网络超参数X
i
位置进行麻雀个体位置更新，并获取所述发现者与跟随者的适应度值；步骤6：随机选取当前麻雀种群中的20％超参数作为警戒者，更新麻雀位置，并得到该麻雀的适应度值；步骤7：一次迭代周期完成后，存储该周期最优麻雀个体对应的超参数；步骤8：重复步骤4
‑
7，达到最大迭代次数后，输出并存储最优的超参数；步骤9：将最优的超参数输入到重建后的CAEN网络中，得到最优CAEN网络结构，通过所述最优CAEN网络结构进行图像数据压缩。2.根据权利要求1所述一种基于改进麻雀搜索算法优化CAEN的图像数据压缩方法，其特征在于，对基础CAEN网络的超参数进行混沌初始化，具体为：其中，为经编码后第t次迭代的CAEN网络超参数所在第i只麻雀的第j个参数。3...

【专利技术属性】
技术研发人员：邱少明，赵健成，李傲，吕亚娜，
申请(专利权)人：大连大学，
类型：发明
国别省市：