[發(fā)明專利]深度學習應用于壓縮感知重建的數(shù)據(jù)訓練方法

有效

• 申請?zhí)枺?/td>: 201710378965.8
• 申請日: 2017-05-25
• 公開（公告）號: CN108734191B
• 公開（公告）日: 2020-11-06
• 發(fā)明（設計）人: 曾春艷;武明虎;萬相奎;熊煒;劉敏;趙楠;朱莉;李利榮;王娟;饒哲恒
• 申請（專利權）人: 湖北工業(yè)大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 武漢帥丞知識產權代理有限公司 42220
• 代理人: 朱必武

1.一種深度學習應用于壓縮感知重建的數(shù)據(jù)訓練方法，其特征在于，所述方法包括如下步驟：

步驟1.信號稀疏化：選取一條語音或圖像數(shù)據(jù)作為信號x∈R^N，根據(jù)該信號的特點，選取稀疏基Ψ∈R^N×N，計算信號x在稀疏基Ψ下的系數(shù)s＝Ψ^-1x；s中非零項個數(shù)為k；

步驟2.構造隨機測量矩陣Φ：根據(jù)采樣數(shù)目M，MN，生成M×N的隨機測量矩陣Φ，矩陣中每一個元素的值為服從N(0,1)的標準高斯正態(tài)分布；

步驟3.計算測量向量y：由測量矩陣Φ，稀疏基Ψ和稀疏向量s計算測量向量y＝As，其中A＝ΦΨ；

步驟4.初始化迭代參數(shù)：殘差r⁰＝y(tǒng)，稀疏向量

步驟5.設定迭代次數(shù)：迭代次數(shù)t＝1；

步驟6.計算殘差-特征向量對

步驟7.迭代終止條件判斷：判斷迭代次數(shù)t是否小于稀疏度k，如果tk-1，則t＝t+1，輸出殘差向量對并跳轉到步驟6，否則輸出殘差向量對結束迭代；

步驟6具體實現(xiàn)過程如下：

6.1.更新稀疏向量在稀疏向量中搜索幅值最大項，設該項索引為k^t，值為將該項置零，得到新的稀疏向量包含剩下的k-t個非零項；

6.2.計算殘差r^t：由索引k^t可確定即A的第k^t列，為本次迭代選定原子，計算選定該原子后的殘差信號其中是稀疏向量的第k^t項，該殘差是因為未包含中剩下的k-t個非零項，在這剩下的k-t個非零項中，中最大值對r^t的貢獻最大，因此可以用r^t來預測中最大值索引；

6.3.計算特征向量搜索稀疏向量中幅值最大項，將該項值置為1，其它項值置0，得到特征向量

2.如權利要求1所述的一種深度學習應用于壓縮感知重建的數(shù)據(jù)訓練方法，其特征在于，步驟1中，其中稀疏基可選擇正交小波變換基或離散余弦變換基。