1.一种面向孪生系统的数据智能压缩方法，其特征在于，执行如下步骤S1‑步骤S5，完成数据的压缩和传输：步骤S1：采集视频数据、音频数据和文本数据作为待压缩的数据，针对待压缩的数据，进行预处理，包括数据的标准化处理和格式转换，获得预处理后的数据；

步骤S2：构建并训练Bootstrap模型，以预处理后的数据为输入，基于位置编码模块、双向门控循环单元、多头注意力机制、残差模块和功能模块，对预处理后的数据进行特征提取和初步压缩，输出概率分布logitsb；

步骤S3：构建并训练Combined模型，Combined模型由Bootstrap模型和Supporter模型组成，Supporter模型基于位置编码模块、多头注意力机制、残差模块和功能模块，输出概率分布logitss，Combined模型将Bootstrap模型输出的概率分布logitsb，与Supporter模型输出的概率分布logitss相结合，加强数据的序列特征表示和进一步压缩，生成概率分布logitsc；

步骤S4：使用算术编码方法对步骤S3输出的概率分布进行最终压缩，以减少数据传输的体积，并将数据向目标设备进行传输；

步骤S5：在目标设备上，利用预训练的Bootstrap模型、Combined模型和算术解码方法对接收到的数据进行解码和重构，还原出压缩前的原始数据。

2.根据权利要求1所述的一种面向孪生系统的数据智能压缩方法，其特征在于，步骤S1中针对待压缩的数据进行预处理的方法如下：针对视频数据和音频数据的数据帧进行帧间采样，通过以下公式降低采样率：；

其中， 是采样后的数据帧，Si代表原始数据帧序列中的第i帧，n是采样间隔；

针对采样后的视频数据和音频数据，进行归一化处理如下式：

；

其中，xnorm是归一化后的数据值，x是原始数据值，min(x)和max(x)分别是数据中的最小值和最大值；

针对文本数据，通过以下公式，进行字符到整数的映射：

；

其中，Cint是映射后的整数值，c是原始字符，ord是将字符转换为对应的ASCII整数值的函数。

3.根据权利要求1所述的一种面向孪生系统的数据智能压缩方法，其特征在于，步骤S2中所述的Bootstrap模型依次包括位置编码模块、双向门控循环单元、多头注意力机制、残差模块和功能模块；

Bootstrap模型输入预处理后的数据，通过位置编码模块为数据添加位置信息，然后采用双向门控循环单元，输出嵌入的特征，捕捉数据的双向依赖关系，之后经过展平操作，利用多头注意力机制，输出注意力得分，捕捉数据之间的复杂关系，通过残差模块和两个并行的功能模块，生成未缩放的概率分布logitsb，完成初步的预测，其中两个并行的功能模块为线性层和全连接层，先使用线性层对提取的特征进行初步变换，后通过全连接层将特征映射到输出空间。

4.根据权利要求1所述的一种面向孪生系统的数据智能压缩方法，其特征在于，步骤S3中所述的Combined模型中，Supporter模型输入预处理后的数据，通过位置编码模块为数据添加位置信息，将添加位置信息的数据与Bootstrap模型的双向门控循环单元所输出嵌入的特征进行拼接，将拼接后的特征通过多头注意力机制输出注意力得分，捕捉数据之间的复杂关系，依次通过多个残差模块，最后通过三个并行的功能模块，三个并行的功能模块为线性模块、密集模块和残差模块，各模块的输出向量通过线性变换缩减至与词汇表大小相匹配的维度，并在最后进行加权求和，生成概率分布logitss；

Combined模型将Bootstrap模型和Supporter模型输出的概率分布结合，通过凸和生成最终的概率分布logitsc；

；

其中，λ是一个通过sigmoid激活函数约束在[0,1]范围内的可学习参数。

5.根据权利要求3或4所述的一种面向孪生系统的数据智能压缩方法，其特征在于，位置编码模块对数据的处理过程如下式：；

；

其中， 、 为位置编码后的数据，pos是序列位置，i是维度索引，d是模型维度。

6.根据权利要求3或4所述的一种面向孪生系统的数据智能压缩方法，其特征在于，多头注意力机制对数据的处理过程如下式：；

其中，Attention(Q,K,V) 为注意力得分，Q，K，V分别代表查询、键和值矩阵，dk是键向量的维度，softmax是归一化函数。

7.根据权利要求1所述的一种面向孪生系统的数据智能压缩方法，其特征在于，步骤S4中的算术编码方法如下式：；

其中，new_interval是新的编码区间，low和high是当前区间的下界和上界，probability是当前符号的出现概率。