[发明专利]基于深度学习的分布式压缩感知信号重构方法

权利要求书

1.基于深度学习的分布式压缩感知信号重构方法，其特征在于：它包括以下步骤：

S1、获取信号，对信号进行处理，得到信号的压缩采样后的测量向量；

S2、建立GRU-Attention模型，GRU-Attention模型依次包括注意力机制层，GRU网络层、Softmax层和稀疏向量计算层，将所述压缩采样后的测量向量输入GRU-Attention模型内进行训练，并将支撑集初始化为空集，输出稀疏向量，得到训练好的GRU-Attention模型；

S3、将待重构的信号的压缩采样后的测量向量输入训练好的GRU-Attention模型内，输出稀疏向量，完成分布式压缩感知的重构。

2.根据权利要求1中所述的基于深度学习的分布式压缩感知信号重构方法，其特征在于：所述S2中建立GRU-Attention模型，GRU-Attention模型依次包括注意力机制层，GRU网络层、Softmax层和稀疏向量计算层，将所述压缩采样后的测量向量输入GRU-Attention模型内进行训练，并将支撑集初始化为空集，输出稀疏向量，得到训练好的GRU-Attention模型，具体过程为：

S21、将所述压缩采样后的测量向量输入训练好的GRU-Attention模型的注意力机制层内，输出测量向量的注意力向量；

S22、将所述注意力向量输入训练好的GRU-Attention模型的GRU网络层，输出激活输出；

S23、将激活输出输入训练好的GRU-Attention模型的Softmax层，输出稀疏向量中各位置值非零的概率，根据稀疏向量中各位置值非零的概率更新支撑集，得到更新后的支撑集；

S24、将更新后的支撑集输入训练好的GRU-Attention模型的稀疏向量计算层，输出稀疏向量。

3.根据权利要求2中所述的基于深度学习的分布式压缩感知信号重构方法，其特征在于：所述S21中将所述压缩采样后的测量向量输入训练好的GRU-Attention模型的注意力机制层内，输出测量向量的注意力向量，具体过程为：

S211、设有L个压缩采样后的测量向量；

S212、计算每个测量向量的注意力得分，利用Softmax对每个测量向量的注意力得分进行归一化处理，对每个测量向量归一化处理后的注意力得分进行加权求和，输出每个测量向量对应的注意力向量。

4.根据权利要求3中所述的基于深度学习的分布式压缩感知信号重构方法，其特征在于：所述S212中计算每个测量向量的注意力得分，利用Softmax对每个测量向量的注意力得分进行归一化处理，对每个测量向量归一化处理后的注意力得分进行加权求和，输出每个测量向量对应的注意力向量，具体过程为：

S2121、为每个测量向量建立三个辅助向量，分别是查询向量、键向量和值向量；

S2122、利用第a个测量向量的查询向量和键向量计算第a个测量向量自身的注意力得分，a＝1,2，…,L；

利用第a个测量向量的查询向量和第b个测量向量的键向量计算第a个测量向量对于第b个测量向量的注意力得分，b＝1,2，…,L，a≠b；

S2123、利用Softmax对第a个测量向量自身的注意力得分进行归一化处理，得到第a个测量向量自身的注意力得分的归一化值；

利用Softmax对第a个测量向量对于第b个测量向量的注意力得分进行归一化处理，得到第a个测量向量对于第b个测量向量的注意力得分的归一化值；

S2124、将第a个测量向量自身的注意力得分的归一化值和第a个测量向量的值向量相乘，得到结果一；

将第a个测量向量对于第b个测量向量的注意力得分的归一化值和第b个测量向量的值向量相乘，得到结果二；

将结果一和结果二进行加权求和，输出第a个测量向量的注意力向量。

5.根据权利要求4中所述的基于深度学习的分布式压缩感知信号重构方法，其特征在于：所述S2121中为每个测量向量建立的三个辅助向量的维度均小于每个测量向量的维度。