[发明专利]一种用于线谱估计的多测量向量深度原子范数去噪网络及其构建方法

说明书

一种用于线谱估计的多测量向量深度原子范数去噪网络及其构建方法，涉及信号处理领域。解决现有线谱估计存在估计精度低、迭代次数多导致收敛速度慢的问题。去噪网络的构建方法为：选取T、W和Λ为辅助变量；采用辅助变量对噪声测量值进行分析获得学习变量值，进而建立重构层；重构层对噪声测量值进行去噪，得到去噪结果，并采用分段线性映射函数和映射网格，建立噪声估计层；根据分段线性映射函数和辅助变量矩阵，建立辅助层；采用S个重构层、噪声估计层和辅助层，获得去噪网络。采用基于梯度的反向传播方法对搭建的去噪网络进行训练完成可学习参数的最优选择。本发明适用于雷达探测、传感器阵列信号处理、医疗成像和通信信道估计的线谱估计。

技术领域

本发明涉及信号处理领域。

背景技术

线谱估计是指从少量噪声样本中估计多个叠加复指数信号的频率，是信号处理的一个基本问题。线谱估计问题出现在各种应用领域中，包括雷达探测、传感器阵列信号处理、医疗成像和通信信道估计。

现有子空间方法可以用来从测量数据中估计信号频率。但是受到噪声的影响，其估计精度严重下降。原子范数软阈值是一种无网格的压缩感知方法，可以用来对测量数据去噪。该方法虽然具有很好的理论保证，但是其实际算法迭代次数多，收敛时间长，而且其去噪性能依赖于超参数的仔细选择，精确度差，容易出现问题。

因此，综上所述，现有线谱估计存在估计精度低、迭代次数多导致收敛速度慢的问题。

发明内容

本发明解决现有线谱估计存在估计精度低、迭代次数多导致收敛速度慢的问题。

为实现上述目的，本发明提供了如下方案：

本发明提供一种深度原子范数去噪网络的构建方法，所述构建方法为：

S1、选取T、W和Λ为辅助变量，定义辅助变量T、W和Λ的矩阵为厄米特矩阵，并且令

S2、采集噪声测量值M，采用所述辅助变量矩阵对所述噪声测量值M进行分析，获得学习变量值；

S3、根据所述辅助变量矩阵、噪声测量值M和学习变量值，建立重构层Y；

S4、采用所述重构层Y对所述噪声测量值M进行去噪，得到去噪结果；

S5、根据所述去噪结果并采用分段线性映射函数和映射网格，建立噪声估计层N；

S6、根据所述分段线性映射函数和所述辅助变量矩阵，建立辅助层；

S7、根据所述重构层、噪声估计层和辅助层，得到执行阶段层；

S8、采用S个所述执行阶段层，获得去噪网络,

S9、采用基于梯度的反向传播方法对搭建的深度原子范数去噪网络进行训练以完成可学习参数的最优选择，

S10、采用ESPRIT方法从去噪结果中估计信号频率。

进一步，还有一种优选实施例，上述重构层Y的表达式为：

其中，和是可学习的变量。

进一步，还有一种优选实施例，上述噪声估计层N的表达式为：

其中，为噪声水平，P为测量向量的个数，为映射网格，是学习参数。

进一步，还有一种优选实施例，上述辅助层包括辅助层W、辅助层U、辅助层Λ和辅助层T；

所述辅助层W的表达式为：

所述辅助层U的表达式为：