[发明专利]基于深度学习的宽带信号的压缩感知处理方法及装置

说明书

本发明公开了基于深度学习的宽带信号的压缩感知处理方法及装置，包括：对输入的宽带信号在时域上进行多倍集采样得到离散采样序列；对得到的离散采样序列及输入的宽带信号进行预处理并构建数据集；设计基于深度学习的宽带信号重构神经网络模型ADMM‑net，并初始化ADMM‑net；在模型训练阶段，将训练集的信号数据输入所述ADMM‑net，通过优化算法不断最小化损失函数，获得最优的神经网络参数；将测试集的信号数据输入训练后的ADMM‑net模型，得到重构的宽带信号。本发明中结合深度学习的ADMM‑net在经过网络模型训练之后，在较低采样率及较低信噪比条件下的信号重构准确度更高，且具有一定的泛化能力。

技术领域

本发明涉及宽带信号处理技术领域，尤其涉及基于深度学习的宽带信号的压缩感知处理方法、装置、智能终端及存储介质。

背景技术

随着电磁设备与信息系统的爆炸式增长，静态的频谱管理方式已经不再有效，大量频段利用率较低，未分配且适合数据传输的频段所剩无几，无线频谱资源局部紧张整体空闲的矛盾愈发明显。与此同时，随着移动业务的高速发展和物联网时代的来临，未来的蜂窝网络采用的技术路线和关键技术需要至少上百兆赫兹的传输带宽，数以百计的传输天线，以及超密集部署的基站并支持海量用户。

压缩感知(Compressed Sensing，CS)理论为宽带信号的采集与处理提供了新的解决方案。现有技术中：目前主流的压缩采样框架有多倍集采样(Multi-Coset Sampling,MCS)、随机解调采样(Random Demodulator Sampling，RDS)、调制宽带转换器(ModulatedWideband Converter，MWC)。其中，多倍集采样技术是一种周期非均匀采样的欠奈奎斯特采样技术，可以通过多个采样率相同但采样起始时刻不同的低速ADC实现对宽带信号的压缩采样。现有技术中的基于多倍集采样的宽带频谱感知方案，通过低速率多通道体系结构的压缩采样模式，实现了宽带信号的欠奈奎斯特采样，再通过贪婪算法恢复多波段信号来估计占用信道位置，从而实现对输入宽带信号的重构。该方案中当输入宽带信号的采样率及信噪比较低时，信号的重建精度还有较大提升空间。

即现有技术的宽带信号的压缩感知处理，在重构准确性、鲁棒性等方面还存在不足，对基于欠奈奎斯特采样的宽带频谱感知存在重构性能较差等问题。

因此，现有技术还有待改进和提高。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于深度学习的宽带信号的压缩感知处理方法、装置、智能终端及存储介质，本发明可以解决对基于欠奈奎斯特采样的宽带频谱感知存在的重构性能较差等问题。

为了解决上述技术问题，本发明第一方面提供一种基于深度学习的宽带信号的压缩感知处理方法，上述方法包括：

获取输入的宽带信号，对输入的宽带信号在时域上进行多倍集采样得到离散采样序列；

对得到的离散采样序列及输入的宽带信号进行预处理并构建数据集，其中，所述数据集包括：训练集的信号数据和测试集的信号数据；

设计基于深度学习的宽带信号重构神经网络模型ADMM-net，并初始化ADMM-net；

在模型训练阶段，将训练集的信号数据输入所述ADMM-net，通过优化算法不断最小化损失函数，获得最优的神经网络参数；

在测试阶段或应用阶段，将测试集的信号数据输入训练后的ADMM-net模型，得到重构的宽带信号。

所述基于深度学习的宽带信号的压缩感知处理方法，其中，所述获取输入的宽带信号，对输入的宽带信号在时域上进行多倍集采样得到离散采样序列的步骤包括：