The invention discloses a signal reconstruction method based on correlation weighted least squares dictionary learning. The invention firstly uses clustering methods training signal samples with the correlation of the data is classified as a group, and then a group of signal units to update each dictionary, make each dictionary can fully learn the characteristics of each signal, finally according to the sub dictionary can be set in the dictionary learning. The experimental results show that compared with the classical weighted least squares method and singular value decomposition K algorithm, mean square error of the invention can get lower, and applied to the field of compressed sensing reconstruction recovery can obtain higher signal-to-noise ratio.
【技术实现步骤摘要】
本专利技术属于信号处理领域,具体涉及一种基于相关性的加权最小二乘字典学习算法,用于基于压缩感知的信号重构恢复。
技术介绍
近些年,人们在日常生活中对设备的便携性的需求使基于可穿戴远程健康监护系统得到较快的发展。如何降低传感节点的数据采集量,计算和传输功耗是远程健康监护系统面临的主要问题之一,压缩感知理论的出现较好地解决了该问题。信号的稀疏表示是压缩感知理论应用的前提。其中,稀疏基(字典)的选择影响着信号重构的时间长短和质量好坏。研究表明,信号在字典下的表示系数越稀疏则重构质量越高,因此字典的选择十分重要。目前,字典构造方法一般分为两种:解析方法和学习方法。基于解析方法的变换有:离散余弦变换、小波变换、Ridgelet,Gabor等。该方法虽然构造相对简单,但原子的基本形状固定,原子的形态不够丰富。学习方法根据数据或信号本身来学习过完备字典,获得的字典原子形态更丰富,能更好地与信号或图像本身的结构匹配,具有更稀疏的表示。近几年的研究成果表明,通过学习获得的字典比解析方法构造的字典在应用领域有更出色的性能。因此基于字典学习算法获得的过完备字典对面向压缩感知重构的应用(可穿戴远程健康监护系统)具有重要意义。到目前为止,许多字典学习算法不断被提出以适应多种输入信号类型。经典的算法有最优方向法,加权最小二乘字典学习(WeightedLeastSquares–DictionaryLearning,WLS-DL)算法,K奇异值分解(K-SingularValueDecomposition,K-SVD)算法等。这些算法大都应用于去噪或分类。最近有一些研究学者将字典学习算 ...
【技术保护点】
基于相关性的加权最小二乘字典学习的信号重构方法,其特征在于,包括下列步骤:步骤1:从信号库中获取字典学习的训练样本集X,其中训练样本集X的个体为:与待重构信号同一类别的原始信号;步骤2:采用基于皮尔逊相关系数的K均值聚类方法对训练样本集X进行聚类处理,将训练样本集X聚为N个子训练样本集Xj,其中N为预设的类别数目;步骤3:设置N个子字典,分别对应N个子训练样本集Xj,基于子训练样本集初始化子字典,得到其中的维度为L×Kj,Kj表示中的原子个数,L表示每个原子的长度,Kj>>L,j=1,2,…N;步骤4:迭代方式进行子字典学习:步骤401:固定子字典基于子训练样本集Xj,采用正交匹配追踪法得到稀疏系数其中k表示迭代次数,初始值为0;步骤402:固定稀疏系数基于子训练样本集Xj,采用加权最小二乘算法训练子字典,得到步骤403:判断迭代是否收敛,若是,则将N个子字典合并为字典Φ0;否则,令k=k+1,继续执行步骤401;步骤5:迭代方式进行过完备字典Φ学习:步骤501:固定子字典Φt,基于训练样本集X,采用正交匹配追踪法得到稀疏系数At,其中t表示迭代次数,初始值为0;步骤502:固定稀疏系 ...
【技术特征摘要】
1.基于相关性的加权最小二乘字典学习的信号重构方法,其特征在于,包括下列步骤:步骤1:从信号库中获取字典学习的训练样本集X,其中训练样本集X的个体为:与待重构信号同一类别的原始信号;步骤2:采用基于皮尔逊相关系数的K均值聚类方法对训练样本集X进行聚类处理,将训练样本集X聚为N个子训练样本集Xj,其中N为预设的类别数目;步骤3:设置N个子字典,分别对应N个子训练样本集Xj,基于子训练样本集初始化子字典,得到其中的维度为L×Kj,Kj表示中的原子个数,L表示每个原子的长度,Kj>>L,j=1,2,…N;步骤4:迭代方式进行子字典学习:步骤401:固定子字典基于子训练样本集Xj,采用正交匹配追踪法得到稀疏系数其中k表示迭代次数,初始值为0;步骤402:固定稀疏系数基于子训练样本集Xj,采用加权最小二乘算法训练子字典,得到步骤403:判断迭代是否收敛,若是,则将N个子字典合并为字典Φ...
【专利技术属性】
技术研发人员:叶娅兰,何文文,程云飞,侯孟书,徐海津,邓雪松,陈暘,刘汉倞,冯蓓,
申请(专利权)人:电子科技大学成都研究院,
类型:发明
国别省市:四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。