深度学习应用于压缩感知重建的数据训练方法技术

本发明专利技术属于压缩感知重建技术与深度学习领域，具体涉及一种深度学习应用于压缩感知重建的数据训练方法。通过生成残差‑特征向量对，建立了残差与最相关原子的索引一一对应关系，使深度神经网络能学习训练数据中的信号特征，进而将深度学习技术应用于压缩感知重建算法时能准确搜索最佳原子，提高信号重建精度。

Data training method for deep learning applied to compressed sensing reconstruction

The invention belongs to the field of compressed sensing reconstruction technology and deep learning, and specifically relates to a data training method of deep learning applied to compressed sensing reconstruction. By generating residuals and eigenvector pairs, the one-to-one relationship between the index of the residuals and the most relevant atoms is established, so that the deep neural network can learn the signal features in the training data, and then the deep learning technology can accurately search the best atoms when applied to the compressed sensing reconstruction algorithm, so as to improve the accuracy of signal reconstruction.

【技术实现步骤摘要】
深度学习应用于压缩感知重建的数据训练方法
本专利技术属于压缩感知重建技术与深度学习领域，具体涉及一种深度学习应用于压缩感知重建的数据训练方法。
技术介绍
随着社会信息化发展，采集和处理的数据量急剧增加，对传感器采样速率、存储设备和传输带宽的要求越来越高。传统的信号处理方式是先高速率采样再压缩后存储或传输，这种方法会造成采样数据的大量浪费。由此出现了压缩感知理论，它能以远低于奈奎斯特采样频率的采用率采集信号，并高精度重建原始信号，在采集信号的同时完成压缩。该理论在医学信号处理、阵列信号处理、无线通信等方法有广泛应用。压缩感知理论主要包含信号稀疏化表示、测量矩阵设计、信号重建三个关键技术，其中信号重建是压缩感知理论的核心所在。目前的重建算法主要包括两类：贪婪匹配追踪算法和凸松弛方法。贪婪匹配追踪算法通过迭代不断更新估计信号支撑集最终逼近目标信号，主要包括原子选择和估计信号更新两个基本步骤。贪婪匹配追踪方法重建速度快，但精度不高。凸松弛方法将原来的优化目标0范数最小转换为1范数最小，再转化为一类有约束条件的极值问题，并利用线性规划求解。凸松弛方法的精确重建理论依据充分，需要的观测数目最少，但算法复杂度高，对于大规模数据重建时间长。压缩感知重建时原子的选择对于重建精度至关重要，而原子选择问题可以转化为一个二分类的原子分类问题。考虑到深度学习在模式识别领域的巨大成功，可以将深度学习技术用于原子选择，以高精度重建信号。构建深度神经网络后，需要用与待重建信号相关的数据训练网络，但现有的数据没有建立残差与正确原子之间的对应关系，不能直接将训练数据输入网络。因此目前需要一种数据训练方法，建立残差-特征向量对模型，将图像、音频等信号转换为可用于深度神经网络训练的数据。
技术实现思路
为了克服上述现有技术存在的不足，本专利技术的目的在于提出一种深度学习应用于压缩感知重建的数据训练方法，构造残差-特征向量对模型，指导真实数据对深度神经网络的预训练，解决深度学习技术不能直接适用于压缩感知重建的问题。为了达到上述目的，本专利技术所采用的技术方案是：一种深度学习应用于压缩感知重建的数据训练方法，其特征在于，所述方法包括如下步骤：步骤1.信号稀疏化：选取一条语音或图像数据作为信号x∈RN，根据该信号的特点，选取稀疏基Ψ∈RN×N，计算信号x在稀疏基Ψ下的系数s＝Ψ-1x；s中非零项个数为k；步骤2.构造随机测量矩阵Φ：根据采样数目M(M<N)，生成M×N的随机测量矩阵Φ，矩阵中每一个元素的值为服从N(0,1)的标准高斯正态分布；步骤3.计算测量向量y：由测量矩阵Φ，稀疏基Ψ和稀疏向量s计算测量向量y＝As，其中A＝ΦΨ；步骤4.初始化迭代参数：残差r0＝y，稀疏向量步骤5.设定迭代次数：迭代次数t＝1；步骤6.计算残差-特征向量对步骤7.迭代终止条件判断：判断迭代次数t是否小于稀疏度k，如果t<k-1，则t＝t+1，输出残差向量对并跳转到步骤6，否则输出残差向量对结束迭代。进一步地，步骤6具体实现过程如下：6.1.更新稀疏向量在稀疏向量中搜索幅值最大项，设该项索引为kt，值为将该项置零，得到新的稀疏向量包含剩下的k-t个非零项；6.2.计算残差rt：由索引kt可确定即A的第kt列，为本次迭代选定原子，计算选定该原子后的残差信号其中是稀疏向量的第kt项，该残差是因为未包含中剩下的k-t个非零项，在这剩下的k-t个非零项中，中最大值对rt的贡献最大，因此可以用rt来预测中最大值索引；6.3.计算特征向量搜索稀疏向量中幅值最大项，将该项值置为1，其它项值置0，得到特征向量进一步地，步骤1中，所述稀疏基可选择正交小波变换基或离散余弦变换基。与现有技术相比，本专利技术的有益效果是：通过生成残差-特征向量对，建立了残差与最相关原子的索引一一对应关系，使深度神经网络能学习训练数据中的信号特征，进而将深度学习技术应用于压缩感知重建算法时能准确搜索最佳原子，提高信号重建精度。具体实施方式为了便于本领域普通技术人员理解和实施本专利技术，下面结合实施例对本专利技术作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本专利技术，并不用于限定本专利技术。本专利技术实施例提供的一种深度学习应用于压缩感知重建的数据训练方法，包括如下步骤：步骤1.信号稀疏化。选取一个真实数据(一条语音或一幅图像)作为信号x∈RN，根据该信号的特点，选取稀疏基Ψ∈RN×N，计算信号x在稀疏基Ψ下的系数s＝Ψ-1x。其中稀疏基可选择正交小波变换基、离散余弦变换基或其它变换基，s中非零项个数为k。步骤2.构造随机测量矩阵Φ。根据采样数目M(M<N)，生成M×N的随机测量矩阵Φ，矩阵中每一个元素的值为服从N(0,1)的标准高斯正态分布。步骤3.计算测量向量y。由测量向量Φ，稀疏基Ψ和稀疏向量s计算测量向量y＝As，其中A＝ΦΨ。步骤4.初始化迭代参数。残差r0＝y，稀疏向量步骤5.设定迭代次数。迭代次数t＝1。步骤6.计算残差-特征向量对6.1.更新稀疏向量在稀疏向量中搜索幅值最大项，设该项索引为kt，值为将该项置零，得到新的稀疏向量包含剩下的k-t个非零项。6.2.计算残差rt。由索引kt可确定即A的第kt列，为本次迭代选定原子，计算选定该原子后的残差信号其中是稀疏向量的第kt项。该残差是因为未包含中剩下的k-t个非零项。在这剩下的k-t个非零项中，中最大值对rt的贡献最大。因此可以用rt来预测中最大值索引。6.3.计算特征向量,搜索稀疏向量中幅值最大项，将该项值置为1，其它项值置0，得到特征向量步骤7.迭代终止条件判断。判断迭代次数t是否小于稀疏度k，如果t<k-1，则t＝t+1，输出残差向量对并跳转到步骤6，否则输出残差向量对结束迭代。应当理解的是，本说明书未详细阐述的部分均属于现有技术。应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本专利技术专利保护范围的限制，本领域的普通技术人员在本专利技术的启示下，在不脱离本专利技术权利要求所保护的范围情况下，还可以做出替换或变形，均落入本专利技术的保护范围之内，本专利技术的请求保护范围应以所附权利要求为准。本文档来自技高网...

【技术保护点】
1.一种深度学习应用于压缩感知重建的数据训练方法，其特征在于，所述方法包括如下步骤：步骤1.信号稀疏化：选取一条语音或图像数据作为信号x∈RN，根据该信号的特点，选取稀疏基Ψ∈RN×N，计算信号x在稀疏基Ψ下的系数s＝Ψ‑1x；s中非零项个数为k；步骤2.构造随机测量矩阵Φ：根据采样数目M(M

【技术特征摘要】
1.一种深度学习应用于压缩感知重建的数据训练方法，其特征在于，所述方法包括如下步骤：步骤1.信号稀疏化：选取一条语音或图像数据作为信号x∈RN，根据该信号的特点，选取稀疏基Ψ∈RN×N，计算信号x在稀疏基Ψ下的系数s＝Ψ-1x；s中非零项个数为k；步骤2.构造随机测量矩阵Φ：根据采样数目M(M<N)，生成M×N的随机测量矩阵Φ，矩阵中每一个元素的值为服从N(0,1)的标准高斯正态分布；步骤3.计算测量向量y：由测量矩阵Φ，稀疏基Ψ和稀疏向量s计算测量向量y＝As，其中A＝ΦΨ；步骤4.初始化迭代参数：残差r0＝y，稀疏向量步骤5.设定迭代次数：迭代次数t＝1；步骤6.计算残差-特征向量对步骤7.迭代终止条件判断：判断迭代次数t是否小于稀疏度k，如果t<k-1，则t＝t+1，输出残差向量对并跳转到步骤6，...

【专利技术属性】
技术研发人员：曾春艳，武明虎，万相奎，熊炜，刘敏，赵楠，朱莉，李利荣，王娟，饶哲恒，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北,42