发明创造名称：一种基于稀疏编解码的电力大数据的压缩传输方法
外观设计名称：
决定号：198636
决定日：2019-12-27
委内编号：1F285784
优先权日：无
申请（专利）号：201410849400.X
申请日：2014-12-29
复审请求人：国家电网公司 中国电力科学研究院 全球能源互联网研究院 国网山东省电力公司
无效请求人：
授权公告日：
审定公告日：
专利权人：
主审员：李笑
合议组组长：严佳琳
参审员：盛钊
国际分类号：H04N19/124，H04N19/13
外观设计分类号：
法律依据：专利法第22条第3款
决定要点
：如果权利要求请求保护的技术方案与最接近的对比文件相比，其部分区别特征已经被其他对比文件公开，其余区别特征为本领域技术人员解决相同技术问题时的常用技术手段，那么通常认为现有技术中已经给出将上述区别特征应用到该最接近的对比文件以解决其技术问题的启示，该权利要求相对于最接近的对比文件与其他对比文件以及本领域常用技术手段的结合不具有创造性。
全文：
本复审请求涉及申请号为201410849400.X，名称为“一种基于稀疏编解码的电力大数据的压缩传输方法”的发明专利申请（下称本申请）。申请人为国家电网公司。本申请的申请日为2014年12月29日，公开日为2016年07月27日。
经实质审查，国家知识产权局实质审查部门于2019年02月27日发出驳回决定，驳回了本申请，其理由是：权利要求1-8不具备专利法第22条第3款规定的创造性。驳回决定所依据的文本为申请日提交的说明书第1-113段、说明书附图、说明书摘要、摘要附图；2018年11月13日提交的权利要求第1-8项。驳回决定引用了对比文件1：《基于压缩感知理论的电力系统数据检测与压缩方法研究》，沈跃，万方数据知识平台，公开日为2013年04月26日；对比文件2：CN1O3280221A，公开日为2013年09月04日；对比文件3：《基于稀疏表示和自适应字典的单帧图像的超分辨率算法研究》，陈红莉，万方数据知识服务平台，公开日为2014年07月15日。驳回决定指出权利要求1相对于对比文件1、对比文件2和对比文件3的结合不具备创造性，权利要求2的附加技术特征被对比文件1公开，权利要求3、6的附加技术特征被对比文件2和公知常识的结合公开，权利要求4-5的附加技术特征被对比文件2公开，权利要求7的附加技术特征被对比文件1和公知常识的结合公开，权利要求8的附加技术特征被对比文件1和对比文件3的结合公开，因此也不具备创造性。
申请人（下称复审请求人）对上述驳回决定不服,于2019年06月10日向国家知识产权局提出了复审请求，同时修改了权利要求书，其中将权利要求7-8的附加技术特征加入到独立权利要求1中，并删除了权利要求7-8。复审请求人认为：修改后的权利要求1-6具备专利法第22条第3款规定的创造性。
经形式审查合格，国家知识产权局于2019年06月13日依法受理了该复审请求，并将其转送至原审查部门进行前置审查。
原审查部门在前置审查意见书中坚持驳回决定。
随后，国家知识产权局成立合议组对本案进行审理。
合议组于2019年10月30日向复审请求人发出复审通知书，指出：权利要求1-6相对于对比文件1-3以及本领域公知常识的结合不具备专利法第22条第3款规定的创造性。
复审请求人于2019年12月10日提交了意见陈述书，以及修改后的权利要求书，其中将权利要求1-6合并为新的独立权利要求。修改后的权利要求1的内容如下：
1. 一种基于稀疏编解码的电力大数据的压缩传输方法，其特征在于，所述方法包括
(1)启动系统；
(2)传送数据；
(3)稀疏编码；
(4)标量量化；
(5)自适应算术编码；
(6)保存编码；
(7)判断是否调用原数据；
(8)自适应算术解码；
(9)反量化；
(10)稀疏解码；
(11)处理数据；
所述稀疏编码表示如下：
其中，x∈Rn，Φ＝[φ1,φ2，...,φm]∈Rn×m；x为输入的数据，Φ是用于数据表示的字典，a＝[α1,α2,...,αm]T∈Rm为稀疏编码系数；
所述步骤(3)与(10)中的字典Φ通过一系列电力数据样本预先训练得到，学习模型为：
其中，第一项是重构输入数据的代价值，第二项的l1范数是为了保证稀疏性对于分解系数的系数惩罚，λ是正则化参数，C为一个常数，在优化时，我们将αi(1≤i≤k)和Φ固定其中一个，优化另一个，如此交替，直到收敛，获得用于电力数据稀疏表示的字典Φ；
所述步骤(5)包括设置数据格式记录量化后非零系数的位置与系数值，对数据记录进行无损的自适应的算术编码；
所述算术编码将整个输入的消息编码为一个小数，将要编码的字符串按字符逐一编码，将当前的区间分成若干子区间，每个子区间的长度与当前上下文下可能出现的对应字符的概率成正比，每次编码后产生的区间的下限low为前一个字符编码后的区间下限与前一区间长度current_range乘以当前字符所在区间下限Low[current]的和，即：
Low＝Low current_range*Low[current]；
上限high为刚刚新产生的下限low与前一区间长度乘以当前字符的下限之和，即：
High＝Low current_range*High[current]；
所述步骤(10)包括执行稀疏解码操作，对非零系数位置进行补零操作，得到m维稀疏编码向量α′，进行重建，解码重建后的数据为：其中，Φ是编码端使用的字典；
(12.1)采用高斯随机阵初始化Φ，将Φ中每一列都归一化；
(12.2)固定Φ，更新αi(1≤i≤k)：
(12.3)固定αi(1≤i≤k)，更新Φ：
(12.3)迭代次数t＝t 1，迭代(12.2)和(12.3)直到收敛；
所述步骤(3)包括对待传输的数据进行稀疏编码，获得稀疏编码系数向量a＝[a1,a2,...,am]T；
所述步骤(4)包括对浮点数的稀疏编码系数a＝[a1,a2,...,am]T的每一系数分量进行标量量化，生成整数值的编码系数di，记量化间隔为Δ，量化公式如下：
其中，round(·)将输入值映射为最近的整数；
所述步骤(6)包括保存自适应算术编码生成的二进制编码数据；
所述步骤(8)包括应用自适应的算术解码算法恢复出非零大稀疏的位置与量化值，算术解码过程根据数据判定其所在区间，进而判定为何字符，包含设置区间下限、设置子区间下限与逐一解码成字符，将区间下限赋值给子区间下限初值，子区间长度为各字符概率，当最后判定区间字符是结束符“#”时候循环终止，解码完成；
所述步骤(9)包括进行反量化操作，重建非零系数的系数值α′i，α′i＝diΔ。
在上述程序的基础上，合议组认为本案事实已经清楚，可以作出审查决定。
二、决定的理由
审查文本的认定
复审请求人于2019年12月10日提交了修改后的权利要求书，经审查，所述修改符合专利法第33条的规定。因此本复审请求审查决定针对的文本为申请日提交的说明书第1-113段、说明书附图、说明书摘要、摘要附图，以及2019年12月10日提交的权利要求1。
具体理由的阐述
专利法第22条第3款规定：创造性，是指与现有技术相比，该发明具有突出的实质性特点和显著的进步，该实用新型具有实质性特点和进步。
本复审请求审查决定引用了驳回决定以及复审通知书中使用的对比文件1至对比文件3。
2.1.权利要求1请求保护一种基于稀疏编解码的电力大数据的压缩传输方法。对比文件1公开了一种基于压缩感知理论的电力系统数据检测与压缩方法，并具体公开了以下的技术特征（参见该对比文件的第5页第20行至第74页第25行）：电力部门需要实时监控电力系统的电压电流等数据，以便进行波动、闪变、谐波状况，阻抗频率特性和电能质量的分析，这将导致数据量巨大，因此电力系统的大量数据存储是一个迫切需要解决的问题。本章提出一种随机降维映射特征提取与稀疏表示分类相结合的电能质量扰动信号识别方法。稀疏表示问题是压缩感知理论的重要环节。本文将该理论引入电能质量扰动模式识别领域，深入研究了以压缩感知理论为核心的随机降维映射和稀疏表示方法用于电能质量扰动的分类（相当于基于稀疏编解码的电力大数据的压缩传输方法）。
根据调和分析理论，RN空间的任何信号可用由N*1维基函数的线性组合表示。简化起见，假定为标准正交基， ，则信号f ∈RN在正交基下可表示为：
式中，
将电力信号进行稀疏分解，然后对分解的信号进行高斯测量编码，最后应用自适应匹配追踪算法重构信号。图5-2中，压缩感知理论中，电能数据经过压缩采样后形成压缩数据，存储或传输后，由重构算法重构数据，其中，直接通过压缩感知矩阵实现压缩采样，电能信号f的压缩采样值可以表示为 。
式中u是M*1维的观测向量，f是N*1维的原始谐波信号，是M*N维的压缩感知观测矩阵，是N*N维稀疏变换基矩阵，x是N*1维稀疏变换信号（相当于稀疏编码），是M*N维的感知矩阵，运用重构算法由测量值u以及投影矩阵能够重构出原始的信号，完成压缩采样数据的解压缩过程（相当于稀疏解码），图5-2中，压缩数据的存储（相当于保存编码）。
根据调和分析理论，RN空间的任何信号可用由N*1维基函数的线性组合表示。简化起见，假定为标准正交基， ，则信号f ∈RN在正交基下可表示为：
式中， （相当于稀疏编码稀疏向量a）
该权利要求所请求保护的技术方案与对比文件1所公开的技术内容相比，其区别仅在于：（1）该方法还包括启动系统、传送数据、标量量化、自适应算术编码、判断是否调用原数据、自适应算术解码、反量化、处理数据等步骤；（2）对比文件1未公开自适应算术编解码的具体步骤；（3）稀疏编码表示公式不同，对比文件1使用了稀疏变换正交基，本申请使用了编码字典矩阵；（4）对比文件1未公开步骤（3）与（10）的编码字典的训练方法。
基于上述区别特征，该权利要求实际解决的技术问题是：如何更好的完成数据压缩。
对于上述区别特征（1），对比文件2公开了一种基于基追踪的音频无损压缩编解码方法，并具体公开了以下技术特征（参见对比文件的说明书第[0008]-[0100]段，附图1-7）：图1中的编码系统包括有信号输入（相当于启动系统、传送数据），分帧模块，稀疏编码模块（相当于稀疏编码），得到稀疏系数后进行熵编码，其中熵编码采用算术编码，图6中通过与初始概率组合，修正算术编码器的初始概率，供算术编码器使用（相当于自适应算术编码），形成码流后输出码率发送至解码端，图2中，解码端接收输入码流在需要解码时（相当于判断是否调用还原数据），进行熵解码，图7中为算术解码模块（相当于自适应熵解码）、稀疏解码、帧合成得到原始信号（相当于处理数据），其中在稀疏变换后所涉及的整型提升中加入量化运算（相当于标量量化），在图5中显示整型提升的重构运算（相当于反量化）。图1中熵编码模块生成二进制的算术编码码流（相当于所述步骤(6)包括保存自适应算术编码生成的二进制编码数据）。
图6表示算术熵编码器的结构示意图。稀疏系数经过数据分成8段，每段分别计算均值，一方面均值经过索引编码，供后续的算术编码器使用，另一方面通过与初始概率组合，修正算术编码器的初始概率，供算术编码器使用。分段后的数据经过算术编码器编码得到算术编码码流（相当于对数据记录进行无损的自适应的算术编码）。
对比文件2还公开了（参见说明书第102-109段）：算术编码的基本步骤如下：(1)编码器在开始时设置“当前间隔”[L，H]这样一个变量，其中H和L分别代表间隔的上下边界，初始时刻设置为[0，1]；(2)对每一个待编码的符号(sym)，编码器按照步骤(a)和(b)处理：(a)编码器将“当前间隔”分为若干子间隔，每一子间隔代表一个带编码符号(sym)的 概率范围；(b)一个子间隔的大小与下一个将出现的符号(sym)概率成比例，编码器选择子间隔 对应于下一个确切出现的符号(sym)，并使之成为新的“当前间隔”。(3)最后输出“当前间隔”下边界即为该给定稀疏系数序列的算术编码结果。设定Low和High分别表示“当前间隔”的下边界和上边界，CodeRange为编码间隔的长度， LowRange(sym)和HighRange(sym)分别代表符号sym分配的初始下边界和上边界, 伪代码如下：
set Low to 0
set High to 0
High＝Low code_range*HighRange[sym]
Low＝Low code_range*LowRange[sym]
…… output Low
算术解码为算术编码的逆过程，首先解码得到编码均值是s[i]，利用s[i]指导初始概率经由概率修正模块得到修正概率码表，利用修正概率码表求解稀疏系数c[i］。其中，算术解码的基本步骤如下：（1）解码器获取一个待解码流Low（2）解码器反复执行（a）（b）两个步骤：（a）寻找一个概率范围刚好跨越Low的符号Sym并将其输出；（b）将当前跨度range这一变量设计为符号Sym的上边界与下边界的差值，从Low中减去Sym的下边界得到新的Low，再用Low除以当前跨度range，得到新的Low，判断是否还有新的sym待解出，有则重新执行（2），否则执行（3）；（3）结束算术解码，伪代码如下：get encoded bitstream（low）do｛……｝until no more Sym。
对比文件2还公开了（参见说明书第[0008]-[01119]段，附图4-5）：传统的变换方法，无论是快速傅里叶变换还是小波变换，输入信号为整数，得到的变换后的系数是浮点数，计算机在处理时存在舍入误差，不能实现数据的无损压缩。考虑在传统变换的提升步骤中加入量化运算，如果输入向量x为整数，则输出y也为整数，并且由y可精确地恢复出x，需要注意的是，此处量化的作用不同于数据压缩中的量化，该量化并不带来信息损失，而只是为了得到整数输出（相当于步骤(4)包括对浮点数的稀疏编码系数a＝[α1,α2,...,αm]T的每一系数分量进行标量量化，生成整数值的编码系数di）。图5中是对图4整型提升变换的重构过程，与分解过程刚好相反，图4中进行整型重构的量化过程，则图5中进行相反的反量化过程（相当于所述步骤(9)包括进行反量化操作，重建非零系数的系数值a’i）。
由此可见，对比文件2已经公开了区别特征（1）和（2），且上述技术特征在该对比文件中所起的作用与其在本申请中所起的作用相同,都是用于更好的完成数据压缩，即对比文件2给出了将上述附加技术特征应用到对比文件1中以进一步解决其技术问题的启示。而在量化过程中，选取量化间隔为Δ，由输入数字αi除以间隔为Δ，然后进行取整运算得到量化输出，在反量化中，由解码数据di乘以间隔为Δ即可得到重建的原数据，这是本领域的公知常识。
对于上述区别特征（3）和（4），对比文件3公开了了一种稀疏数据压缩的字典训练方法（参见该对比文件第27页第15行至第28页第6行）：4.1同时训练两个字典，其中字典模型如式4.1，经改写后进一步表示为式4.3：
s.t
使用K-SVD训练字典包括，2初始化，使用随机矩阵初始化字典D；3稀疏编码阶段，固定字典，逐个训练样本块，应用OMP算法计算稀疏系数，4字典更新阶段，应用K-SVD算法逐个更新字典原子，循环执行稀疏编码和字典更新，直到迭代次数。
由此可见，对比文件3已经公开了在稀疏编码中使用编码字典，以及收敛迭代进行字典训练的方法，对比文件3的字典训练方法与本申请略有不同，但上述技术特征在该对比文件中所起的作用与其在本发明中所起的作用相同,都是用于快速训练稀疏字典，即该对比文件给出了将上述附加技术特征应用到对比文件1中以进一步解决其技术问题的启示。本领域技术人员在对比文件1公开内容的基础上对其进行改进以获得权利要求1的技术方案对于本领域技术人员来说不存在技术障碍，并且本申请上述区别特征也没有取得意料不到的技术效果。
因此，在该对比文件1的基础上结合对比文件2、对比文件3以及本领域惯用手段以获得该权利要求所要求保护的技术方案，对所属技术领域的技术人员来说是显而易见的，因此该权利要求所要求保护的技术方案不具备突出的实质性特点和显著的进步，因而不具备专利法第22条第3款规定的创造性。
2.2 复审请求人认为：对比文件1与本申请所解决压缩传输问题的“电力大数据”范畴不同；对比文件1-3没有公开本申请的多个区别特征；本申请的有益效果能够有效降低数据的存储量，同时也便于找出数据的内在结构和本质特征，有利于数据的备份和后续运算。
对此，合议组认为：对比文件1公开了一种基于压缩感知理论的电力系统数据检测与压缩方法，其中公开了由于目前高精度的采样需求带来了巨大的数据量，耗用大量的原始数据存储空间，因此将压缩感知理论引入电力系统数据监测、识别与压缩领域，以期望获得更高效的性能。由此可见，对比文件1所要解决的技术问题与本申请相同，针对的也是电力系统数据，并且也采用了稀疏编码方法，同样取得了降低数据存储量的技术效果。针对对比文件1-3公开的内容，具体参见上文评述，在此不再赘述。综上，复审请求人的意见合议组不予支持。
三、决定
维持国家知识产权局于2019年02月27日对本申请作出的驳回决定。
如对本复审请求审查决定不服,根据专利法第41条第2款的规定,复审请求人自收到本决定之日起三个月内向北京知识产权法院起诉。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
