[发明专利]基于拉东域稀疏表征的数据重构方法及相关设备

说明书

本公开提供了一种基于拉东域稀疏表征的数据重构方法及相关设备，涉及通信技术领域，该方法包括：获取低分辨率拉东系数；将所述低分辨率拉东系数输入至编码‑解码结构的神经网络得到第一高分辨率拉东系数；通过所述神经网络后级联的自适应软阈值函数增加所述第一高分辨率拉东系数的稀疏程度得到第二高分辨率拉东系数。本方法可以实现减小时变拉东变换时域反演的数据规模、运算时间、运算成本以及提高重构数据的稳定性和分辨率。

技术领域

本公开涉及通信技术领域，尤其涉及一种基于拉东域稀疏表征的数据重构方法、装置、计算机可读存储介质及电子设备。

背景技术

随着现代科技的高速发展，网络中生成的数据类型和数据量急剧增多，增大了网络运维人员数据处理的难度，且低分辨率的数据难以达到训练高准确率算法模型的需求。高分辨率数据的像素密度大，细节展现非常清晰和丰富，高频成分较多，可以满足研究学者对于数据的后期处理和实际应用的需求。数据超分辨率重构将低分辨率数据生成同场景高分辨率数据的过程，多应用在数据预处理、提取知识图谱的特征信息等领域中。从观测数据得到物理参数的过程称为反演过程。反演问题通常是一个不适定问题，只有对反演进行约束才能够得到一个较为精确且稳定的解。稀疏反演被证明是低分辨率数据处理的重要工具。低分辨率数据可以用适当变换域中的少数系数表示，并且变换域中的稀疏数据十分有利于去噪、分离、高分辨率重构等操作。拉东Radon反演作为数据图像处理的重要手段之一，对数据图像的超分辨率重构提供保障。

就其应用而言，拉东Radon变换面临两大问题：

其一是计算效率低，利用大量复杂的数据反演涉及到大型算子矩阵、特征向量的构造，运算时间长、成本高；其二是分辨率难以满足要求，真实数据质量差，像素密度小将导致低分辨率的反演结果，只能通过算法上的改进弥补这一缺陷。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种基于拉东域稀疏表征的数据重构方法、装置、计算机可读存储介质及电子设备，以至少解决相关技术中针对时变拉东变换时域反演矩阵规模过大、运算时间长、成本高以及卷积算子反演不稳定、分辨率低的技术问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

本公开的技术方案如下：

根据本公开的一个方面，提供一种基于拉东域稀疏表征的数据重构方法，该方法包括：获取低分辨率拉东系数；将所述低分辨率拉东系数输入至编码-解码结构的神经网络得到第一高分辨率拉东系数；通过所述神经网络后级联的自适应软阈值函数增加所述第一高分辨率拉东系数的稀疏程度得到第二高分辨率拉东系数。

在本公开的一些实施例中，将低分辨率拉东系数输入至编码-解码结构的神经网络得到第一高分辨率拉东系数的步骤包括：将低分辨率拉东系数通过神经网络中的编码卷积层进行下采样得到编码数据；将编码数据通过神经网络中的解码卷积层进行上采样得到的解码数据融合下采样过程中得到的编码数据得到第一高分辨率拉东系数。

在本公开的一些实施例中，获取低分辨率拉东系数的步骤之前包括：将训练数据集依次输入至所述神经网络和所述自适应软阈值函数，得到预测变换域系数；计算所述预测变换域系数的损失值；以及根据所述损失值，梯度更新所述自适应软阈值函数。

在本公开的一些实施例中，使用共轭解和对应的最小二乘解构建训练数据集，所述共轭解作为模型输入，所述最小二乘解作为标签。

在本公开的一些实施例中，计算所述预测变换域系数的损失值的损失函数表示为公式(3)。

在本公开的一些实施例中，自适应软阈值函数AdST表示为公式(4)。