一种基于先验知识的失真信号还原方法技术

本发明专利技术涉及卫星通信技术领域，尤其是一种基于先验知识的失真信号还原方法，包括：构建深度卷积神经网络模型；确定深度卷积神经网络模型的目标函数；以目标函数作为目标，对深度卷积神经网络模型进行训练；提取训练完成后的每一层的参数，构成最优字典；获取卫星信号中的失真信号；对失真信号进行变换得到失真信号的时频图像；输入失真信号的时频图像，通过最优字典得到还原信号的时频图像；对还原信号的时频图像进行变换，得到还原信号。在本发明专利技术中，通过深度卷积神经网络模型训练得到最优字典，使得整个模型的参数处于最优参数，之后利用最优字典能够通用性地对各种失真信号进行还原，模型的约束性小，泛化性强，信号还原的适用范围广。围广。围广。

【技术实现步骤摘要】
一种基于先验知识的失真信号还原方法


[0001]本专利技术涉及卫星通信
，尤其是一种基于先验知识的失真信号还原方法。

技术介绍

[0002]在卫星通信领域，卫星信号传输过程中可能会发生失真。失真信号会影响卫星通信的质量和可靠性，例如影响到卫星导航定位、地球观测设备控制等系统的准确性和稳定性。
[0003]因此，对于卫星失真信号的复原技术的研究和应用变得非常重要。复原卫星失真信号的意义在于提高卫星通信的可靠性和效率。卫星失真信号的复原技术可以改善信号传输的质量和稳定性，从而提高信号的接收质量和传输速率，保证卫星通信的可靠性和安全性。
[0004]复原卫星失真信号的背景可以追溯到数字信号处理技术的发展。随着数字信号处理技术的不断提升，人们开始尝试使用数字信号处理技术对失真信号进行还原和处理，以提高卫星通信、导航、遥感等应用的可靠性和性能。
[0005]目前，基于数字信号处理技术的卫星信号还原方法主要包括基于滤波器、基于信号处理算法、基于机器学习等方法。其中，基于机器学习的信号还原方法中，字典学习和深度学习是近年来发展较本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于先验知识的失真信号还原方法，其特征在于，包括：S101：构建深度卷积神经网络模型，其中，所述深度卷积神经网络模型为多层结构，每一层均设置有待学习字典；S102：确定所述深度卷积神经网络模型的目标函数，其中，所述目标函数用于寻找最优字典；S103：以所述目标函数作为目标，对所述深度卷积神经网络模型进行训练；S104：提取训练完成后的每一层的参数，构成所述最优字典；S105：获取卫星信号中的失真信号；S106：对所述失真信号进行变换得到所述失真信号的时频图像Z0；S107：输入所述失真信号的时频图像Z0，通过所述最优字典得到还原信号的时频图像Y：，其中，L表示所述深度卷积神经网络模型的层数，l表示每一层的编号，，Z
l
‑1表示第l
‑
1层的输出，表示第l层的最优字典；S108：对所述还原信号的时频图像进行变换，得到还原信号。2.根据权利要求1所述的失真信号还原方法，其特征在于，所述深度卷积神经网络模型中每一层的字典D
l
可表示为：，其中，D
l
表示第l层的字典，L表示所述深度卷积神经网络模型的层数，k
l
表示第l层的样本维度；其中，根据信号来源的不同对信号进行分类，将所述深度卷积神经网络模型中每一类别在第l层的输出Z
l
表示为：；；，其中，C表示类别的总个数，c表示样本类别的编号，n表示每个类别的样本数，表示第c类信号在第l层的输出，表示第c类的第j个样本在第l层的输出。3.根据权利要求2所述的失真信号还原方法，其特征在于，所述S102包括：S1021：确定所述深度卷积神经网络模型中单层的目标函数：；，其中，Z0表示输入，表示F范数，表示1范数，表示2范数，d表示字典D的基，λ表示超参数；S1022：在所述目标函数中引入非线...

【专利技术属性】
技术研发人员：常兴，
申请(专利权)人：武汉能钠智能装备技术股份有限公司，
类型：发明
国别省市：