基于前后端分离的气味数据传输系统的设计.pdf

2023年11月计算机应用文摘第39 卷第2 1期基于前后端分离的气味数据传输系统的设计史伟（浙江理工大学,杭州310 0 0 0)摘要：在物联网时代，如气味等感官数据的数字化和远程传输为技术创新开辟了新途径。文章设计了一个基于前后端分离的气味数据传输系统，该系统包括一个服务器端（包含数据库系统和数据传输模块)以及一个负责接收和解码数据的客户端。应用深度学习技术，特别是自编码器，文章有效地处理了气味数据的独特复杂性，可推动系列应用（包括远程嗅觉感应和数字烹饪等）的发展。关键词：物联网；感官数据；气味数据；客户端-服务器架构；深度学习技术中图法分类号：TP319文献标识码：ADesign of odor data transmission system based on front-end andback-end separationSHI Wei(Zhejiang Sci-Tech University,Hangzhou 31000,China)Abstract:In the era of the Internet of Things,data-driven decisions have carved new paths for innovation,especially in the digitization and remote transmission of sensory data like odors.In response to this demand,this research designed a system for the digitization and remote transmission of odor data based on a client-server architecture.The system design includes a server-side encompassing a database system and datatransmission module,as well as a client-side responsible for receiving and decoding the data.Deep learningtechnologies,particularly autoencoders,have been utilized in the system to effectively handle the uniquecomplexity of odor data.The implementation of this design is anticipated to propel the development of arange of applications,including remote olfactory sensing and digital cooking.Key words:Internet of Things,sensory data,odor data,client-server architecture,deep learningtechnology本质上是一个含有三层或更多层的神经网络，这些1引言神经网络暂未具备人脑同等的能力，但能模拟人脑感官数据的数字化和远程传输在各个领域均有的行为并从大量数据中“学习”。其中，单层神经网潜在的应用前景，包括但不限于数字烹饪、虚拟现实、络可以进行近似的预测，额外的隐藏层可以帮助优医疗保健和香水等，势必为人们的生活带来无限可化结果。深度学习驱动着许多改善自动化的人工智能。捕捉气味数据的复杂性并将其转化为支持远程能（AI)应用和服务,无需人工干预即可执行分析和传输和解码的数字格式是核心研究之一 1 3。本文物理任务，被广泛应用于医疗保健、金融及交通运输将设计并实现一个能够将气味数据编码为数字格式，等领域 4 5O且支持远程传输与客户端解码的系统,该系统的关键创新点是应用深度学习技术（如自编码器等）捕捉及编码气味数据的复杂属性，从而为气味数据传输问题提供新的视角，进而为其他感官数据的传输提供参考。本文将深入挖掘气味数据的内在特性，旨在提高数据传输的效率和质量,并尽可能地减少由于数据传输导致的信息丢失。2背景知识2.1深度学习如图1所示,深度学习是机器学习的一个子集，模型评评估结验证集果选代完成选代完成特征工深度学数据集程图1深度学习模型流程图2.2自编码器如图2 所示，自编码器是一种特殊的人工神经网络,可学习输人数据的高效编码，常被用于降维和异常检测,在构建深度学习模型中起着重要作用,该网模型预预测结训练集习模型选代训练测试集测果28络主要包含编码器和解码器。其中,编码器负责将输人数据压缩为潜在空间表示,可用编码函数h=f(）表示；解码器负责根据潜在空间表示重构输入数据，可用解码函数r=g(h)表示。输入数据优化算法自编码器被训练以最小化重构错误（如均方误差）,在异常检测、图像去噪、特征提取等领域均有应用。在觉数据传输研究中，自编码器能对高维度数据进行编码并捕获关键特征，还能将其解码为原始格式。3系统设计3.1楼数据预处理在实际气味数据传输系统的实现过程中，作为关键步骤,数据预处理对深度学习模型的性能有着重要影响。以某种水果的气味数据为例,其中主要成分为气味分子种类、每种分子所占比例、每种分子的浓度变化曲线和挥发性等。原始气味数据如表1所列,其中的f_A(t),f_B(t),f_C(t)和f_D(t)代表各个分子的浓度变化曲线,是与时间相关的非线性函数。表1某种水果的原始数据分子名称占比分子A40%分子B30%分子20%分子D10%如图3所示，气味数据预处理阶段主要负责将原始数据标准化,并将其转化为模型可以接受的形式，如占比被归一化于0 1之间,挥发性可能被量化为(1（高）0.5（中）、0（低）的形式。某种水果气味的原始数据预处理后的数据图3气味数据预处理示例在气味数据预处理中,非线性浓度变化曲线的处理是一个关键步骤。本文采用离散傅里叶变换（D is c r e t e Fo u r ie r T r a n s f o r m,D FT）对气味的浓度变化进行编码，首先对浓度变化曲线进行采样获得一系列离散的浓度值，这些值可反映特定时间点上气味浓度计算机应用文摘的情况；然后通过离散傅里叶变换将这些离散值转换为频域,从而得到一系列的频率和相应的振幅,其中每个频率均代表一个周期性变化的成分,其对应的振幅代表该成分在整体变化中的贡献度。这种表示方法在处理气味浓度变化曲线时具有编码表重构数重构误隐藏层隐藏层示编码器解码器图2 自编码器的示意图浓度变化曲线f_A(t)f_B(t)fC(t)f.D(t)数据清洗数据标准化浓度变化曲线离数据归一化散化2023 年第2 1期据差挥发性高中低高以下优点：（1)离散傅里叶变换可有效减少需要存储和传输的数据量，对于大规模气味数据处理具有实际意义；（2)通过离散傅里叶变换可更好地理解及分析气味浓度的变化规律，提升了气味数据的可解释性。然而,这种表示方法也可能带来一定的信息损失，在采样和变换过程中可能会忽视一些细微或非周期性的变化。但对大部分常见的气味数据而言,这种损失是可以接受的。3.2编码器设计在完成数据的预处理后，本文对自编码器展开了设计，自编码器的核心组成部分为编码器和解码器。其中，编码器主要负责将高维的输人数据转化为低维的潜在表示,从而捕捉数据中的主要特性,由于气味数据的多元性，本文采用变分自编码器（V A E)进行设计，VAE可以生成新的数据样本,对气味数据的传输具有重要价值。如图4所示，编码器设计的关键在于网络架构、潜在变量的维度和损失函数的选择。输入层全连接层潜变量图4编码器架构示意图网络架构：编码器的网络架构采用卷积层。相较于全连接层，卷积层在高维度气味数据的处理中更具优势，可有效捕捉数据中的局部相关性。本文编码器的网络架构中含有多个卷积层，它们通过逐层提取输人数据的特征来执行数据压缩。潜在变量的维度：潜在变量的维度是由预期的数据压缩程度和信息保留需求决定的。本文将10 作为潜在变量的维度，该维度大小既能有效地压缩气味数据，又能保留足够的原始信息，有助于解码器根据潜在变量重建原始气味。损失函数的选择：损失函数的选择是本设计方案的另一关键部分。本文使用变分自编码器（VAE）的标准损失函数,该函数由重建损失和KL散度两部分组成。其中，重建损失负责衡量解码器重建数据的质卷积层1平展层卷积层2立卷积层3重构损失KL散度损失2023 年第 2 1 期量,KL散度可使编码器学习到的潜在分布接近预定义的先验分布（通常选择标准正态分布）。在编码器的设计中，本文选择了三层卷积层，主要原因如下。多尺度特征提取：气味数据的特性往往在不同的尺度中呈现，某些特征可能在较小的时间尺度中出现，而另一些特征可能需要在较大的时间尺度中观察。利用多层卷积层，可以在不同尺度中提取这些特性，从而更好地表示气味数据。捕获复杂的气味模式：气味是一种复杂的感知,其表现形式既包含基本的化学成分特性，又包含多种成分交互形成的复杂气味特性。三层卷积层有助于系统从基本的化学成分特性逐步提取到复杂的气味特性。模型的计算效率和性能平衡：在实际应用中,过多的卷积层可能会增加模型的计算复杂性，而过少的卷积层可能会影响模型的性能。三层卷积层提供了一个较好的平衡点,既能有效地提取气味特性，又不会过度增加模型的计算复杂性。易于优化和避免过拟合：使用适当数量的卷积层可使网络更易于优化，并且有助于避免过拟合。三层卷积层的网络能在数据训练中表现出良好的性能,同时也能在测试数据中表现出良好的泛化能力。3.3服务器端设计如图5所示，服务器端的设计是气味数据传输系统的核心,其中包含数据接收、数据处理、数据库和数据发送等模块，主要负责数据的接收、处理、存储和发送等。数据接收模块数据处理模块图5服务器端的设计图数据接收模块主要负责接收用户提交的气味数据。经过编码器处理后，气味数据转化为一种数字形式,该数字形式可通过HTTP或WebSocket 等网络协议进行传输。如图6 所示,在接收数据后，数据处理模块需要对其进行进一步的处理（包括但不限于错误检测、数据校验等），从而确保数据的完整性和正确性。数据处理模块错误检测图6 数据处理模块的设计图计算机应用文摘处理完成后，数据将被存储于数据库中。如图7所示,数据库的设计需要考虑数据的特性，如为每种气味分子设计一个字段,同时需要存储气味的其他属性如浓度变化、挥发性等。此外,在数据存储时还需要考虑数据的安全性和完整性。数据库模块分子类浓度变型字段化字段图7 数据库模块的设计图在气味数据的数据库设计中，每个气味分子类型都将被设计为一个字段。考虑到分子类型的数量，本文采用一种精简的编码方式表示分子的类型。例如，苹果气味中的主要分子类型为酮类、醛类和醇类等，每种分子类型都将用一个简短的字符编码进行表示，如“KET”代表酮类，“ALD”代表醛类，“ALC”代表醇类等。对于每种分子类型,本文还将存储其在气味中的相对浓度，这种设计可高效地查询并操作气味数据。对于其他的气味属性，如浓度变化和挥发性，本文将设计对应的字段进行存储。例如，浓度变化将被记录为一个时间序列数据,从而表示一段时间内气味浓度的变化情况。挥发性将被记录为一个数值，从而表示气味在一定时间内的挥发程度。为了确保数据的查询效率,本文将采用索引优化查询性能,作为一种特殊的数据库结构,索引可以快速定位数据的存储位置。为分子类型字段创建索引可极大地提高查询速度,尤其是大规模数据处理任务。服务器端数据的完整性和安全性是数据库设计中的另一个重要考虑因素。为了确保数据的完整性,本文将为每个字段设置合适的数据类型和约束，从而确保存人的数据符合期望；为了确保数据的安全性，本文将采数据库模块数据发送模块数据校验29挥发性字段索引用一系列的安全措施，如定期数据备份、强密码设置、访问权限限制等。如图8 所示,数据发送模块负责将存储的气味数据发送给用户，其设计既需要考虑网络条件、数据大小等因素,还需要考虑数据压缩、分片传输等操作。数据发送模块立数据压缩分片传输图8 数据发送模块的设计图3.4用户端设计如图9 所示,用户端的设计需要考虑用户的操作习惯和使用体验，同时要确保准确无误地接收服务器索引HTTP/WebSocket接口30端发送的气味数据,其中包含数据接收、解码器和用户界面等模块。数据接收模块图9 用户端的设计图如图10 所示，数据接收模块负责接收服务器端传送的气味数据,其中需要处理各种网络问题，如网络延迟、数据丢包等，从而保证数据的完整性。数据接收模块HTTP/WebSock数据缓冲区et接口图10 用户端数据接收模块设计图如图11所示,在接收到数据后,解码器模块负责将数字形式的气味数据转化为能够被气味生成设备接收的形式。输入层为了增强用户体验，用户界面模块需显示气味的相关信息，如气味的成分、浓度等，该模块需要直观易懂，便于用户理解。(上接第2 2 页)参考文献：1单小卫.基于合作探究的初中数学教学实践与思考 J.中学生数理化（教与学）,2 0 2 0（12）：50.2 曾亮.以应用为导向的离散数学教学改革与实践 J.黑龙江科学,2 0 2 2,13(7)：10 9-111.3张林阳，盛浩.基于“互联网+教育”背景下，混合式教学模式在现代远程教育教学中的应用研究 J.吉林广播电视大学学报,2 0 2 0(10)：9 9-10 0.4谭励,姜同强.离散数学课程实验与互动平台建设 J.时代教育,2 0 14(17):138-139.计算机应用文摘4结束语本文成功设计并实现了一种基于前后端分离的用户端气味数据传输系统，通过使用自编码器对原始气味数据进行降维,有效减轻了数据存储和传输的压力。其中,本文根据气味数据的特性,设计了一种高效的数解码器模块用户界面模块网络问题处理隐藏层输出层图11解码器模块设计图2023年第2 1期据库结构,保证了数据的完整性和安全性;基于 HTTP的RESTful API设计了数据接收模块，实现了前后端的分离,提高了系统的可扩展性和可维护性。当前系统已达预期效果，但仍有进一步优化和提升的空间，未来工作包括：研究更高效的数据压缩方法，从而减小数据维度；探索更高效的数据结构和查询算法,从而提高查询效率；引人更先进的网络传输协议和安全机制，从而提高数据的传输速度和安全性。参考文献：1 聂蓉,黄杰.基于仿生嗅觉的气味网络化传输机理的研究与探索 J.传感器世界,2 0 17,2 3（10）：2 1-2 4.2李联宁.基于手机平台的嗅觉网络传输研究与探索 J.计算机科学,2 0 13,40(S1):223-227.3何桂立.关于气味信息传输的探讨 J.电信网技术,2 0 0 1(1):68-69.潜在表示4李鹏,徐永凯,杨佳康,等.基于一维卷积神经网络的气体识别方法研究 J.电子器件，2 0 2 2,45（3）：6 45-6 50.5陈飞越.基于领域自适应与脉冲神经网络的电子鼻数据处理方法研究 D.重庆：西南大学,2 0 2 3.作者简介：史伟（2 0 0 0 一）,本科,研究方向：法学。5幸雁.基于Model2MVC架构网上选课系统的设计与实现D.成都：电子科技大学,2 0 0 9.6张曦，郝雯娟，焦冰“云计算”教学改革探索与思政元素设计 J.电脑知识与技术，2 0 2 2,18（30）：17 2-17 4.7】罗婷婷，彭建奎.线上线下混合式教学视角下“高等数学”课堂翻转的设计与研究一一以“数列极限的概念”为例J.教育现代化,2 0 2 0,7(48):7 6-8 0,作者简介：付晓倩（19 9 6 一），硕士，助教，研究方向：人工智能与机器学习、数据可视化分析。