[发明专利]基于字典双学习的压缩感知信号重构方法及系统

权利要求书

1.一种基于字典双学习的压缩感知信号重构方法，其特征在于，包括：

根据接收信号以及基于有限等距原则和特征分解优化后的观测矩阵得到重构信号样本；

对所述重构信号样本进行信号处理后得到压缩样本；

通过预设的鲁棒性字典学习模型根据稀疏字典对所述压缩样本进行信号重构得到重构信号。

2.根据权利要求1所述的压缩感知信号重构方法，其特征在于，所述方法进一步包括预先形成所述鲁棒性字典学习模型的步骤。

3.根据权利要求2所述的压缩感知信号重构方法，其特征在于，所述预先形成所述鲁棒性字典学习模型具体包括：

根据经典字典学习模型和压缩感知原理得到压缩感知构架下的字典学习模型；

基于正则化条件和稀疏形式的惩罚项对所述字典学习模型进行优化得到具有唯一解的字典学习模型；

将具有唯一解的字典学习模型的l₂范数项更换为l₁范数得到基于压缩样本的鲁棒性字典学习模型；

基于预设缩小数和当前时刻对所述基于压缩样本的鲁棒性字典学习模型进行比例缩小得到所述鲁棒性字典学习模型。

4.根据权利要求1所述的压缩感知信号重构方法，其特征在于，所述通过预设的鲁棒性字典学习模型根据稀疏字典对所述压缩样本进行信号重构得到重构信号具体包括：

固定观测矩阵不变，通过迭代重加权最小二乘法完成鲁棒性字典学习模型的稀疏表达分析得到更新的稀疏字典和信号检测结果；

固定所述更新的稀疏字典不变，得到更新的观测矩阵；

根据所述信号检测结果进行信号重构得到重构信号。

5.一种基于字典双学习的压缩感知信号重构系统，其特征在于，包括：

重构样本模块，用于根据接收信号以及基于有限等距原则和特征分解优化后的观测矩阵得到重构信号样本；

压缩样本模块，用于对所述重构信号样本进行信号处理后得到压缩样本；

信号重构模块，用于通过预设的鲁棒性字典学习模型根据稀疏字典对所述压缩样本进行信号重构得到重构信号。

6.根据权利要求5所述的压缩感知信号重构系统，其特征在于，所述系统进一步包括模型建立模块，用于预先形成所述鲁棒性字典学习模型。

7.根据权利要求6所述的压缩感知信号重构系统，其特征在于，所述模型建立模块具体用于根据经典字典学习模型和压缩感知原理得到压缩感知构架下的字典学习模型；基于正则化条件和稀疏形式的惩罚项对所述字典学习模型进行优化得到具有唯一解的字典学习模型；将具有唯一解的字典学习模型的l₂范数项更换为l₁范数得到基于压缩样本的鲁棒性字典学习模型；基于预设缩小数和当前时刻对所述基于压缩样本的鲁棒性字典学习模型进行比例缩小得到所述鲁棒性字典学习模型。

8.根据权利要求5所述的压缩感知信号重构系统，其特征在于，所述信号重构模块具体用于固定观测矩阵不变，通过迭代重加权最小二乘法完成鲁棒性字典学习模型的稀疏表达分析得到更新的稀疏字典和信号检测结果；固定所述更新的稀疏字典不变，得到更新的观测矩阵；根据所述信号检测结果进行信号重构得到重构信号。

9.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，

所述处理器执行所述程序时实现如权利要求1-4任一项所述方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，

该程序被处理器执行时实现如权利要求1-4任一项所述方法。