[发明专利]基于深度学习的分布式压缩感知信号重构方法

说明书

基于深度学习的分布式压缩感知信号重构方法，具体涉及一种通信信号在压缩采样下的分布式压缩感知信号的重构方法，本发明为解决由于真实场景中的稀疏信号之间并不完全是联合稀疏的，导致传统分布式压缩感知重构方法在应用时重构误差大，准确率低的问题。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；建立模型，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，得到训练好的模型；将待重构的信号的压缩采样后的测量向量输入训练好的模型内，输出稀疏向量。属于信号处理技术领域。

技术领域

本发明涉及一种通信信号的重构方法，具体涉及一种通信信号在压缩采样下的分布式压缩感知信号的重构方法，属于信号处理技术领域。

背景技术

压缩感知(Compressed sensing)也被称为压缩采样(Compressive sampling)或稀疏采样(Sparse sampling)，是一种寻找欠定线性系统的稀疏解的技术。压缩感知被应用于信号处理中，用于获取和重构稀疏或可压缩的信号。压缩感知利用信号稀疏的特性，相较于奈奎斯特理论，得以从较少的测量值还原出原来整个欲得知的信号，即压缩感知技术能以远低于奈奎斯特采样的速率对具有稀疏性的非合作信号进行欠采样，并利用信号内或信号间的相关性恢复信号，主要涉及信号的稀疏表示、测量矩阵的设计和信号的重构。压缩感知的前提是信号是稀疏的，或信号可以在某个变换域内被稀疏表示。分布式压缩感知是将单节点情况拓展到多节点情况，可以更好地对信号进行压缩重构。在分布式压缩感知中，信号重构算法是一个关键的步骤，重构算法的效果直接决定了分布式压缩感知的效果和实际应用的可行性。所以，如何设计出高效的分布式压缩感知重构算法是亟待突破和解决的问题。

传统的大多数分布式压缩感知重构算法依赖于信号的联合稀疏性，利用信号的相关性进行重构。但真实场景中由于噪声等原因，稀疏信号之间并不完全是联合稀疏的，这会导致很多传统方法在实际场景中的重构效果不好，导致重构误差大，准确率低。实际上，即使稀疏信号之间不是联合稀疏的，信号间也存在着某种相关性。因此在进行重构时可以捕获和利用所述相关性进行信号重构。

发明内容

本发明为了解决由于真实场景中的稀疏信号之间并不完全是联合稀疏的，导致传统分布式压缩感知重构方法在应用时重构误差大，准确率低的问题，进而提出了一种基于深度学习的分布式压缩感知信号重构方法。

本发明采取的技术方案是：

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。

优选的，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；