[发明专利]基于卷积神经网络的自编码算法

权利要求书

1.一种基于卷积神经网络的自编码算法，其特征在于，包括以下步骤：

步骤S1：在发射端，将X位待发送数据分成a组数据，为每组数据添加头部，形成a个子数据包，然后依次输入到已经训练好的自编码器的编码模块进行编码，输出a组由n*n的阵列组成的数据流，所述的n*n的阵列数据流驱动n*n大小的LED阵列，发出光信号，且每组数据流连续重复发送多次以弥补数据丢失问题，其中X、a、n为正整数；

步骤S2：光信号通过空气从发射端传播到接收端；

步骤S3：在接收端，接收阵列接收光信号后，通过自编码器的解码模块进行解码，首先找出数据包的头部，然后依次还原头部后的有效数据，并按时序组合有效数据，得到原始数据；

其中，所述步骤S1包括以下步骤：

步骤S101：在发射端，将X位待发送数据分成a组数据，为每组数据添加n*n位数据构成的头部，形成a个子数据包，其中X、a、n均为正整数；

步骤S102：编码时，一维的待编码数据首先通过全连接层映射成二维数据，然后通过卷积层和池化层转化成n*n的阵列；

步骤S103：然后再通过激活函数映射成仅含有0和1元素的n*n的2D OOK阵列数据流；

步骤S104：阵列数据流中的0控制LED阵列中相应的LED熄灭，信号矩阵中的1控制LED阵列中相应的LED点亮，所述的LED阵列大小为n*n。

2.根据权利要求1所述的基于卷积神经网络的自编码算法，其特征在于，所述步骤S3包括以下步骤：

步骤S301：在接收端，由接收阵列捕捉发射端发出的光信号，传送到自编码器的解码模块；

步骤S302：解码时，首先通过卷积层和池化层提取特征，然后通过全连接层将二维数据映射成一维数据；

步骤S303：在接收到的数据中查找头部数据，然后依次还原头部后的有效数据，并按时序组合有效数据，得到原始数据。