[发明专利]一种基于深度学习的压缩感知重构方法和系统

权利要求书

1.一种基于深度学习的压缩感知重构方法，其特征在于，包括：

S1、获取进行重构训练的训练集，包括：

S1.1、获取数据集，并从中选取K张图像构成训练集；

S1.2、分别对K张图像进行降维处理得到一个N²×K的二维矩阵X＝{x₁,x₂,x₃…x_k}，其中x_k表示矩阵X的第k列，即为第k张图像的一维向量表示；

S2、构建卷积生成对抗网络重构模型，且分别设计生成器G和判别器D的损失函数和网络层结构；

S3、设置训练参数，包括一轮训练中的图像数量batch、训练总轮数epoch、Adam优化器的学习率α、参数β、收敛误差e、以及采样率m；

S4、进行重构训练，根据步骤S2设置的损失函数和步骤S3设置的训练参数，生成器G和判别器D分别都用反向传播算法进行交替迭代训练，包括：

S4.1、每次从矩阵X中选取batch列{x₁,x₂,x₃…x_batch}作为卷积生成对抗网络模型的输入信号，输入到卷积生成对抗网络中，{x₁,x₂,x₃…x_batch}为原信号；

S4.2、进行压缩采样，原信号{x₁,x₂,x₃…x_batch}根据采样率m通过采样卷积层进行采样得到测量值{y₁,y₂,y₃…y_batch}并输入到生成器G中，生成器G经过卷积层重构得到重构信号采样过程为：

y＝S(x)＝W_n*x＝Wx

其中，S()表示采样卷积层的映射过程，W_n表示卷积核组，n＝m×N²表示卷积核的个数，x表示原图像，W表示由卷积核组构成的网络参数矩阵，W表示为：

S4.3、固定生成器G，将原信号与重构信号均输入到判别器D中，计算判别器D的损失并通过反向传播算法更新判别器D的参数；

S4.4、固定判别器D,计算生成器G的损失并通过反向传播算法更新生成器G的参数；

S5、收敛判断，根据步骤S3设置的收敛误差e，判断卷积生成对抗网络是否收敛，若收敛，训练完成，得到压缩感知重构模型；若不收敛，重复步骤S4，直至进行epoch轮训练。