[發明專利]深度學習應用于壓縮感知重建的數據訓練方法

有效

• 申請號: 201710378965.8
• 申請日: 2017-05-25
• 公開（公告）號: CN108734191B
• 公開（公告）日: 2020-11-06
• 發明（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

本發明屬于壓縮感知重建技術與深度學習領域，具體涉及一種深度學習應用于壓縮感知重建的數據訓練方法。通過生成殘差?特征向量對，建立了殘差與最相關原子的索引一一對應關系，使深度神經網絡能學習訓練數據中的信號特征，進而將深度學習技術應用于壓縮感知重建算法時能準確搜索最佳原子，提高信號重建精度。

技術領域

本發明屬于壓縮感知重建技術與深度學習領域，具體涉及一種深度學習應用于壓縮感知重建的數據訓練方法。

背景技術

隨著社會信息化發展，采集和處理的數據量急劇增加，對傳感器采樣速率、存儲設備和傳輸帶寬的要求越來越高。傳統的信號處理方式是先高速率采樣再壓縮后存儲或傳輸，這種方法會造成采樣數據的大量浪費。由此出現了壓縮感知理論，它能以遠低于奈奎斯特采樣頻率的采用率采集信號，并高精度重建原始信號，在采集信號的同時完成壓縮。該理論在醫學信號處理、陣列信號處理、無線通信等方法有廣泛應用。

壓縮感知理論主要包含信號稀疏化表示、測量矩陣設計、信號重建三個關鍵技術，其中信號重建是壓縮感知理論的核心所在。目前的重建算法主要包括兩類：貪婪匹配追蹤算法和凸松弛方法。貪婪匹配追蹤算法通過迭代不斷更新估計信號支撐集最終逼近目標信號，主要包括原子選擇和估計信號更新兩個基本步驟。貪婪匹配追蹤方法重建速度快，但精度不高。凸松弛方法將原來的優化目標0范數最小轉換為1范數最小，再轉化為一類有約束條件的極值問題，并利用線性規劃求解。凸松弛方法的精確重建理論依據充分，需要的觀測數目最少，但算法復雜度高，對于大規模數據重建時間長。

壓縮感知重建時原子的選擇對于重建精度至關重要，而原子選擇問題可以轉化為一個二分類的原子分類問題。考慮到深度學習在模式識別領域的巨大成功，可以將深度學習技術用于原子選擇，以高精度重建信號。構建深度神經網絡后，需要用與待重建信號相關的數據訓練網絡，但現有的數據沒有建立殘差與正確原子之間的對應關系，不能直接將訓練數據輸入網絡。因此目前需要一種數據訓練方法，建立殘差-特征向量對模型，將圖像、音頻等信號轉換為可用于深度神經網絡訓練的數據。

發明內容

為了克服上述現有技術存在的不足，本發明的目的在于提出一種深度學習應用于壓縮感知重建的數據訓練方法，構造殘差-特征向量對模型，指導真實數據對深度神經網絡的預訓練，解決深度學習技術不能直接適用于壓縮感知重建的問題。

為了達到上述目的，本發明所采用的技術方案是：一種深度學習應用于壓縮感知重建的數據訓練方法，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據作為信號x∈R^N，根據該信號的特點，選取稀疏基Ψ∈R^N×N，計算信號x在稀疏基Ψ下的系數s＝Ψ^-1x；s中非零項個數為k；

步驟2.構造隨機測量矩陣Φ：根據采樣數目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：殘差r⁰＝y，稀疏向量

步驟5.設定迭代次數：迭代次數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。

進一步地，步驟6具體實現過程如下：

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；