[發明專利]基于相關性的加權最小二乘字典學習的信號重構方法

有效

• 申請號: 201611031391.9
• 申請日: 2016-11-22
• 公開（公告）號: CN106599903B
• 公開（公告）日: 2020-01-21
• 發明（設計）人: 葉婭蘭;何文文;程云飛;侯孟書;徐海津;鄧雪松;陳暘;劉漢倞;馮蓓
• 申請（專利權）人: 電子科技大學成都研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 51203 電子科技大學專利中心
• 代理人: 周劉英

本發明公開了一種基于相關性的加權最小二乘字典學習的信號重構方法。本發明首先利用聚類的方法將訓練數據中具有相關性的信號樣本歸類為一組，然后以一組信號為單位更新每組字典，使得每組字典能充分地學習到每組信號的特征，最后依據得到的子字典進行集中字典學習。實驗結果表明，相對于較為經典的加權最小二乘法以及K奇異值分解算法，本發明能夠獲得更低的均方誤差，并且應用于壓縮感知重構恢復領域時能獲得更高的信噪比。

技術領域

本發明屬于信號處理領域，具體涉及一種基于相關性的加權最小二乘字典學習算法，用于基于壓縮感知的信號重構恢復。

背景技術

近些年，人們在日常生活中對設備的便攜性的需求使基于可穿戴遠程健康監護系統得到較快的發展。如何降低傳感節點的數據采集量，計算和傳輸功耗是遠程健康監護系統面臨的主要問題之一，壓縮感知理論的出現較好地解決了該問題。信號的稀疏表示是壓縮感知理論應用的前提。其中，稀疏基(字典)的選擇影響著信號重構的時間長短和質量好壞。研究表明，信號在字典下的表示系數越稀疏則重構質量越高，因此字典的選擇十分重要。目前，字典構造方法一般分為兩種：解析方法和學習方法。基于解析方法的變換有：離散余弦變換、小波變換、Ridgelet，Gabor等。該方法雖然構造相對簡單，但原子的基本形狀固定，原子的形態不夠豐富。學習方法根據數據或信號本身來學習過完備字典，獲得的字典原子形態更豐富，能更好地與信號或圖像本身的結構匹配，具有更稀疏的表示。近幾年的研究成果表明，通過學習獲得的字典比解析方法構造的字典在應用領域有更出色的性能。因此基于字典學習算法獲得的過完備字典對面向壓縮感知重構的應用(可穿戴遠程健康監護系統)具有重要意義。

到目前為止，許多字典學習算法不斷被提出以適應多種輸入信號類型。經典的算法有最優方向法,加權最小二乘字典學習(Weighted Least Squares–DictionaryLearning,WLS-DL)算法,K奇異值分解(K-Singular Value Decomposition,K-SVD)算法等。這些算法大都應用于去噪或分類。最近有一些研究學者將字典學習算法應用到壓縮感知的信號重構中。例如將K奇異值分解算法應用于可穿戴遠程健康監護系統的壓縮感知心電重構，以及將使用字典學習方法獲得的過完備字典對三維超聲圖像進行壓縮感知重構。但是，這些算法沒有充分考慮訓練信號內部隱含的特征，從而影響了獲得的過完備字典在壓縮感知的信號重構精度。

發明內容

本發明的發明目的在于：針對現有的字典學習算法應用于壓縮感知重構恢復時的精度不高等技術問題,提出了一種基于相關性的加權最小二乘字典學習(簡寫為CWLS-DL(Correlation Weighted Least Squares–Dictionary Learning))的信號重構方法。

本發明利用信號間隱含的相關性信息來提高基于過完備字典的重構恢復精度。利用聚類 的方法將訓練數據中具有相關性的信號樣本歸類為一組，然后以一組信號為單位更新每組字典，使得每組字典能充分地學習到每組信號的特征，最后依據得到的子字典進行集中字典學習。通過該算法對字典進行更新,形成更能表示生理信號結構的過完備字典，提高基于過完備字典的壓縮感知重構恢復精度。

本發明的基于相關性的加權最小二乘字典學習的信號重構方法，包括下列步驟：

步驟1：從信號庫中獲取字典學習的訓練樣本集X，其中訓練樣本集X的個體為：與待重構信號同一類別的原始信號；

步驟2：采用基于皮爾遜相關系數的K均值聚類方法對訓練樣本集X進行聚類處理，將訓練樣本集X聚為N個子訓練樣本集X^j，子訓練樣本集的樣本數為K_j，其中j＝1,2,…N，其中N為預設的類別數目；

步驟3：設置N個子字典，分別對應N個子訓練樣本集X^j，隨機初始化子字典，得到其中的維度為L×K_j，K_j表示中的原子個數，L表示每個原子的長度，K_j＞＞L，j＝1,2,…N；