[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

说明书

本发明公开了一种基于字典双学习的压缩感知信号重构方法及系统，所述方法包括：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，本发明提供了一种基于观测‑稀疏双学习的未知对窄带信号压缩感知信号接收方法，同时具备客观的鲁棒性、自适应性与认知能力。

技术领域

本发明涉及通信技术领域。更具体地，涉及一种基于字典双学习的压缩感知信号重构方法及系统。

背景技术

随着通信领域日新月异的快速发展，通信网络中非合作方(即第三方)在未知电磁环境中的信号获取技术面临日益严峻的挑战：未知辐射源的数量不断增加，信号密度不断加大，信号类型不断多样化，信号频谱不断向更高和更低的频域扩张。这些因素使得第三方接收机在未知电磁环境下很难以大接收带宽对多未知目标信号进行接收与信号处理。随着压缩感知(CS)这一全新的信息获取理论被提出，基于CS的信号接收方法得到了广泛关注。作为引入CS理论的直接优势，基于CS的信号接收方法能够大幅降低接收机获取信号所需的采样率，直接避开传统接收机大接收带宽下的高速采样瓶颈，获得可观的接收带宽。并且，此时所使用低速ADC(模数转换器)普遍具有较高的量化位数，保证了CS接收机可同时兼顾大接收带宽与大动态范围。

然而，目前通信第三方在应用CS接收方法时还存在两点主要问题：一方面，CS理论框架自身对噪声十分敏感。当电磁环境中存在噪声时，信号的稀疏程度被快速削弱。此时，信号压缩观测与重构过程的性能将大幅恶化，导致噪声环境中所获得信号的信噪比(SNR)比传统接收方法还要低。较低的信号质量阻碍了后续的信号处理，大大降低了CS方法的实际接收效果。另一方面，第三方面临的未知信号情景对CS接收方法提出一定的挑战。已知CS理论在获取信息时十分依赖信号的稀疏先验信息，而非合作方的工作情景恰恰是CS十分不擅长的未知信号盲接收。因此，如何在缺少先验信息的情景下使CS接收方法自适应地甚至具有认知能力地完成高精度高效率的信息获取，也是CS接收方法亟待解决的问题。

发明内容

本发明的一个目的在于提供一种基于字典双学习的压缩感知信号重构方法，提供了一种基于观测-稀疏双学习的未知对窄带信号压缩感知信号接收方法，同时具备客观的鲁棒性、自适应性与认知能力。本发明的另一个目的在于提供一种基于字典双学习的压缩感知信号重构系统。本发明的再一个目的在于提供一种计算机设备。本发明的还一个目的在于提供一种可读介质。

为达到上述目的，本发明采用下述技术方案：

本发明公开了一种基于字典双学习的压缩感知信号重构方法，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。

优选的，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。

优选的，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。