本发明涉及光学设备，特别涉及边缘计算驱动的自适应数据压缩与远传光学设备。
背景技术：
1、光学通信作为一种高带宽、低延迟的通信方式，在现代通信领域具有重要地位。光学远传设备作为光学通信系统的核心组成部分，负责传输大量的光学信号，其性能对整个系统的稳定性和效率有着重要影响。然而，光学信号在传输过程中面临着多种干扰和损耗，因此需要采用各种技术手段来优化信号的质量和传输效率。
2、在传输过程中，光学信号通常需要进行数据压缩，以减小数据量，提高传输效率。传统的数据压缩方法通常采用线性压缩技术，但这些方法无法充分考虑信号的非线性特性，导致在高噪声环境下信号失真问题严重。在接收端，需要对压缩后的信号进行恢复，以重建原始信号。然而，传统的信号恢复方法对噪声和失真非常敏感，难以实现高质量的信号重建。在光学通信中，信号往往会受到各种噪声的影响，如光子噪声、热噪声等。现有的噪声处理方法难以有效地抑制噪声，导致信号质量下降和误码率增加。光学通信系统通常需要在有限的频谱资源下传输大量数据。传统的调制技术在高频谱效率要求下表现不佳，限制了系统的容量。现有的光学信号处理方法通常需要大量的计算资源和复杂的硬件设备，导致成本高昂和能耗增加。
3、现有技术中通常采用静态压缩和恢复方法，难以应对不同信号特性和传输环境的变化。如何实现自适应压缩和恢复，以满足不同应用需求，仍然是一个挑战。在高速和长距离传输中，信号容易受到失真和噪声的影响，导致信号质量下降。现有技术中的信号失真和噪声处理方法需要进一步改进，以提高信号的可靠性和质量。随着数据量的不断增加，高效的信号传输和存储变得尤为重要。如何在保持信号完整性的同时提高传输和存储效率，是一个需要解决的问题。
技术实现思路
1、本发明的目的是提供边缘计算驱动的自适应数据压缩与远传光学设备，本发明能够提高光学信号传输效率、信号质量和降低成本。
2、为解决上述技术问题，本发明提供边缘计算驱动的自适应数据压缩与远传光学设备，所述设备包括：边缘计算部分、自适应数据压缩部分和数据处理部分；将通信网络中的每个光学远传设备视为一个节点，每个光学远传设备中的边缘计算部分将视为通信网络中的边缘计算节点；数据处理部分实时获取发射或接收的光学信号，对光学信号进行小波复分解，以获得光学信号的时频分解结果，对光学信号进行褶积型时频变换，以获得时频变换结果，基于时频分解结果和时频变换结果，进行噪声建模，以获得噪声结果，通过变分贝叶斯方法，最大化光学信号的功率谱密度，以优化光学信号与噪声结果之间的比率；边缘计算部分根据优化后的光学信号与噪声结果之间的比率和远传光学设备的运行参数，计算光学远传设备的资源占用率，以此计算得到最佳压缩率；自适应数据压缩部分根据计算得到的最佳压缩率，对光学信号自适应数据压缩。
3、进一步的，所述远传光学设备的运行参数至少包括：波长、带宽、发射功率、接收灵敏度和损耗；所述损耗定义为传输损耗、连接损耗和耦合损耗的和值。
4、进一步的，实时获取发射或接收的光学信号使用如下公式进行表示：
5、
6、其中，i(t)是光学信号的表示，是一个关于时间t的函数，表示在不同时间点上的光学信号的光强度；λ表示光学信号的波长；e0(λ)是波长λ处的电场振幅；σt是时间域的标准差，用于调整光学信号的时间展宽，σt值越小表示光学信号越锐利，而σt值越大表示光学信号越模糊；t0表示光学信号的中心时间；fc是光学信号的载波频率；φ(λ)是波长λ的相位偏移，表示不同波长的相位差。
7、进一步的，使用如下公式，对光学信号进行小波复分解，以获得光学信号的时频分解结果：
8、
9、其中，wi(t，ω)是光学信号的时频分解结果，是一个复数函数，表示在时间t和频率ω上的光学信号的复振幅；j和k这两个参数用于控制小波包基函数的尺度和平移，j控制尺度，k控制平移，它们决定了小波包基函数的形状和位置；是复数小波包基函数，它随着j和k的变化而变化，它表示不同尺度和平移下的小波包函数，用于分析光学信号的局部时域特征；i(t′)是原始的光学信号在时间t′处的值，表示光学信号的强度；t′是积分变量，用于在整个时间轴上对光学信号进行积分，它光学信号的时间窗口的中心位置。
10、进一步的，使用如下公式，对光学信号进行褶积型时频变换，以获得时频变换结果：
11、
12、其中，x(t，f)这是时频变换结果，是一个复数函数，表示在时间t和频率f上的光学信号的复振幅；h(t-t′，f，ω)是褶积核函数，它是一个复数函数，用于描述光学信号在时域和频域上的变换特性，使用如下公式进行表示：
13、h(t-t′，f，ω)＝sinc(2π(f-f0)t)·sinc(2π(ω-ω0)t)；
14、其中，t是时间窗口的宽度，f0和ω0分别表示光学信号的中心频率和中心角频率。
15、进一步的，基于时频分解结果和时频变换结果，通过如下公式，进行噪声建模，以获得噪声结果：
16、
17、其中，n(λ，f)是噪声功率谱密度，表示在波长λ和频率f上的噪声能量密度，它用于描述光学信号中的噪声成分；σ2是噪声的方差，用于控制噪声的强度，越大的σ2值表示越强的噪声；inr(λ，f)是干扰噪声比，表示光学信号的功率与噪声的功率之间的比值；β是用于调节非高斯噪声分布的参数，越小的β值表示噪声更接近高斯分布，越大的β值表示噪声更远离高斯分布。
18、进一步的，通过变分贝叶斯方法，最大化光学信号的功率谱密度时，设定的目标函数通过如下公式进行表示：
19、
20、其中，ps(λ，f)是光学信号的功率谱密度；pn(λ，f)是噪声功率谱密度；ψ(λ，f)：这是与波长λ和频率f相关的小波包函数，用于描述信号的局部时频特性。
21、进一步的，边缘计算部分根据优化后的光学信号与噪声结果之间的比率和远传光学设备的运行参数，计算光学远传设备的资源占用率，以此计算得到最佳压缩率的过程包括：通过变分贝叶斯方法，最大化光学信号的功率谱密度时，计算此时的光学信号的功率与噪声的功率之间的比值，得到此时的干扰噪声比inr(λ，f)；资源占用率与最佳压缩率成反比关系，资源占用率与干扰噪声比成反比，资源占用率与波长、带宽、发射功率、接收灵敏度和损耗成反比，通过设置多个不同的反比系数，以计算得到最佳压缩率。
22、进一步的，对光学信号自适应数据压缩的方法具体包括：按照计算得到的最佳压缩比率，使用如下公式，对光学信号进行自适应数据压缩：
23、c(λ，f)＝rbest·h(λ，f)·x(t，f)；
24、其中，rbest为最佳压缩比率；h(λ，f)为非线性压缩函数；c(λ，f)为对光学信号进行自适应数据压缩后得到的结果；在远传光学设备对自适应数据压缩后得到的结果进行传输时，首先通过如下公式，进行逆希尔伯特变换以恢复光学信号的实部和虚部：
25、
26、
27、其中，xr(t,f)为实部，xi(t,f)为虚部；量化实部和虚部，使用高阶调制解调器，将实部和虚部分别在一个i/q通道进行独立传输。
28、本发明的边缘计算驱动的自适应数据压缩与远传光学设备，具有以下有益效果：本发明的一个重要效果是提高了光学信号传输的效率。在高速通信和数据传输领域，数据量巨大，需要大带宽来传输信息。传统的方法可能会浪费带宽，而本发明通过自适应数据压缩的方式，可以根据光学信号的特性动态地调整压缩比率，使数据传输更加高效。这有助于提高数据传输速度，减少传输成本，并满足不同应用场景的需求。本发明引入了自适应信号处理的概念，根据光学信号的实际情况来调整信号处理方法。这意味着系统能够根据不同的信号特性，自动选择最佳的数据压缩比率和处理方法，从而保留了信号的重要信息并减少了不必要的数据冗余。这种自适应性使系统更具灵活性和适应性，可以适应不同的信号和传输环境。本发明通过噪声建模和信号处理方法，可以提高光学信号的质量和可靠性。通过对噪声进行建模和优化，系统可以降低噪声对信号的影响，从而提高信号的信噪比和可靠性。这对于长距离和高速传输尤为重要，因为这些情况下信号容易受到噪声和失真的干扰。本发明采用了逆希尔伯特变换来恢复光学信号的实部和虚部。逆希尔伯特变换是一种高效的信号处理方法，可以从复数信号中提取出实际信息。通过这种方法，系统可以有效地恢复原始信号，而不会引入过多的失真和噪声。这有助于确保传输后的信号质量和完整性。引入了高阶调制解调器来处理量化后的信号。这种方法允许实部和虚部在独立的通道中进行传输，提高了传输效率和信号的可靠性。此外，对信号进行量化也有助于更有效地存储和传输数据，特别是在大数据时代，这是一个非常有价值的优势。
1.边缘计算驱动的自适应数据压缩与远传光学设备，其特征在于，所述设备包括：边缘计算部分、自适应数据压缩部分和数据处理部分；将通信网络中的每个光学远传设备视为一个节点，每个光学远传设备中的边缘计算部分将视为通信网络中的边缘计算节点；数据处理部分实时获取发射或接收的光学信号，对光学信号进行小波复分解，以获得光学信号的时频分解结果，对光学信号进行褶积型时频变换，以获得时频变换结果，基于时频分解结果和时频变换结果，进行噪声建模，以获得噪声结果，通过变分贝叶斯方法，最大化光学信号的功率谱密度，以优化光学信号与噪声结果之间的比率；边缘计算部分根据优化后的光学信号与噪声结果之间的比率和远传光学设备的运行参数，计算光学远传设备的资源占用率，以此计算得到最佳压缩率；自适应数据压缩部分根据计算得到的最佳压缩率，对光学信号自适应数据压缩。
2.如权利要求1所述的边缘计算驱动的自适应数据压缩与远传光学设备，其特征在于，所述远传光学设备的运行参数至少包括：波长、带宽、发射功率、接收灵敏度和损耗；所述损耗定义为传输损耗、连接损耗和耦合损耗的和值。
3.如权利要求2所述的边缘计算驱动的自适应数据压缩与远传光学设备，其特征在于，实时获取发射或接收的光学信号使用如下公式进行表示：
4.如权利要求2所述的边缘计算驱动的自适应数据压缩与远传光学设备，其特征在于，使用如下公式，对光学信号进行小波复分解，以获得光学信号的时频分解结果：
5.如权利要求4所述的边缘计算驱动的自适应数据压缩与远传光学设备，其特征在于，使用如下公式，对光学信号进行褶积型时频变换，以获得时频变换结果：
6.如权利要求5所述的边缘计算驱动的自适应数据压缩与远传光学设备，其特征在于，基于时频分解结果和时频变换结果，通过如下公式，进行噪声建模，以获得噪声结果：
7.如权利要求6所述的边缘计算驱动的自适应数据压缩与远传光学设备，其特征在于，通过变分贝叶斯方法，最大化光学信号的功率谱密度时，设定的目标函数通过如下公式进行表示：
8.如权利要求7所述的边缘计算驱动的自适应数据压缩与远传光学设备，其特征在于，边缘计算部分根据优化后的光学信号与噪声结果之间的比率和远传光学设备的运行参数，计算光学远传设备的资源占用率，以此计算得到最佳压缩率的过程包括：通过变分贝叶斯方法，最大化光学信号的功率谱密度时，计算此时的光学信号的功率与噪声的功率之间的比值，得到此时的干扰噪声比inr(λ,f)；资源占用率与最佳压缩率成反比关系，资源占用率与干扰噪声比成反比，资源占用率与波长、带宽、发射功率、接收灵敏度和损耗成反比，通过设置多个不同的反比系数，以计算得到最佳压缩率。
9.如权利要求8所述的边缘计算驱动的自适应数据压缩与远传光学设备，其特征在于，对光学信号自适应数据压缩的方法具体包括：按照计算得到的最佳压缩比率，使用如下公式，对光学信号进行自适应数据压缩：
