1.一种面向边缘计算的压缩数据传输方法，其特征在于，包括：步骤1，在边缘缓存节点处，收集原始数据，设置大小为k的数组1，k为原始数据的类别也即特征属性的数量，数组1的每一位对应记录一类原始数据，记录内容包括原始数据的特征属性及其数值；

步骤2，对数组1中的每一位原始数据进行特征重构，构建数据特征压缩摘要，并将所得k个数据特征压缩摘要分别存放在数组2～数组k+1中，得到k个新的特征向量；

步骤3，应用编码解码神经网络构造压缩编码机制，通过编码对k个新的特征向量进行可分类压缩；

步骤4，对完成可分类压缩的数据在中间节点处分类转发给边缘设备处理。

2.根据权利要求1所述面向边缘计算的压缩数据传输方法，其特征在于，所述步骤1中，原始数据通过传感器收集。

3.根据权利要求1所述面向边缘计算的压缩数据传输方法，其特征在于，所述步骤2具体包括：

首先，定义数组2～数组k+1，将每个数组中的比特位初始化为0；

其次，利用MOD取余函数对数组1中的每位原始数据的数值进行运算，对原始数据进行特征重构，构建数据特征压缩摘要；

最后，将所得k个数据特征压缩摘要按照生成顺序按序分别存入数组2～数组k+1中。

4.根据权利要求3所述面向边缘计算的压缩数据传输方法，其特征在于，所述数组2～数组k+1定义为整型数组，长度为原始数据的数值经过MOD取余函数处理后得到数据的长度，特征重构后的每一位原始数据的数值转化成n进制数，将该n进制数作为相应原始数据的新的特征向量。

5.根据权利要求1所述面向边缘计算的压缩数据传输方法，其特征在于，所述步骤3压缩编码机制中，编码器将输入数据即k个新的特征向量通过神经网络的非线性变换映射到目标特征空间；解码器将目标特征空间的特征通过对偶的神经网络的非线性变换还原到原始输入空间。

6.根据权利要求1或5所述面向边缘计算的压缩数据传输方法，其特征在于，所述编码解码神经网络包括输入层L1、隐藏层L2和输出层L3三个部分，从输入层到隐藏层是编码过程，从隐藏层到输出层是解码过程，编码函数为：h＝f(x)＝Sf(hA,q(x))，解码函数为：y＝g(x)＝Sg(hA,p(h))，f(x)和g(x)分别表示从输入层到隐藏层的编码函数和从隐藏层到输出层的解码函数，h为隐藏层表示，y为输出层表示，即输出层输出数据，x为输入层输入数据，输入层L1到隐藏层L2的映射权值矩阵为A，隐藏层L2到输出层L3的映射权值矩阵为 为A的转置矩阵，Sf()为编码器的激活函数，Sg()为解码器的激活函数，hA,q(x)为输入层到隐藏层的传递函数，hA,p(h)为隐藏层到输出层的传递函数，q为输入层到隐藏层的训练参数，p为和隐藏层到输出层的训练参数。

7.根据权利要求6所述面向边缘计算的压缩数据传输方法，其特征在于，所述编码解码神经网络的参数值确定过程为：通过深度神经网络DNN进行预训练，从而确定A的初始值，通过计算y和x的误差来训练参数，当y和x的相似程度大于阈值时，认为该神经网络能保留输入数据的大部分特征信息。

8.根据权利要求7所述面向边缘计算的压缩数据传输方法，其特征在于，所述解码器的激活函数取Sigmod函数或者恒等函数，所述编码器的激活函数取Sigmod函数，即其重构误差为： 设数据

集为S＝{Xi}，i＝1,2,3...n，n为数据集中的数据个数，用公式 计算训练样本的整体损失，最后利用深度神经网络DNN算法进行迭代训练，得到使得损失函数最小的压缩自动编码器参数θ＝{w,b,b′}，其中b和b′为偏置项，w为训练参数，xi表示神经网络第i个输入，yi表示神经网络对应第i个输出值，Xi表示数据集中第i个数据。

9.根据权利要求7所述面向边缘计算的压缩数据传输方法，其特征在于，所述步骤4中，完成可分类压缩的数据直接被中间节点分类传输到不同的边缘设备。