CN111817723A - 一种压缩感知测量矩阵的确定方法、确定装置、确定设备 - Google Patents
一种压缩感知测量矩阵的确定方法、确定装置、确定设备 Download PDFInfo
- Publication number
- CN111817723A CN111817723A CN202010663004.3A CN202010663004A CN111817723A CN 111817723 A CN111817723 A CN 111817723A CN 202010663004 A CN202010663004 A CN 202010663004A CN 111817723 A CN111817723 A CN 111817723A
- Authority
- CN
- China
- Prior art keywords
- measurement matrix
- matrix
- correlation coefficient
- iterative operation
- taking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 296
- 238000005259 measurement Methods 0.000 title claims abstract description 220
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 69
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/3059—Digital compression and data reduction techniques where the original information is represented by a subset or similar information, e.g. lossy compression
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明公开了一种压缩感知测量矩阵的确定方法，首先基于稀疏矩阵，构造N×N阶的正交方阵；在正交方阵中抽取M个行向量，生成M×N阶的初始测量矩阵；而后通过以各列向量之间的互相关系数作为验证测量矩阵随机性优劣的评估依据，在初始测量矩阵的基础上进行更新元素位置的迭代运算，直至满足预设迭代结束条件，以各次迭代运算中互相关系数最小的测量矩阵为优化后的测量矩阵，该优化后的测量矩阵相较于初始测量矩阵，具有较高的随机性，提高了重构精度，有利于满足更多的原始信号的采集要求。本发明还公开了一种压缩感知测量矩阵的定装置、确定设备及计算机可读存储介质，具有上述有益效果。
Description
技术领域
本发明涉及信号处理技术领域，特别是涉及一种压缩感知测量矩阵的确定方法、确定装置、确定设备及计算机可读存储介质。
背景技术
压缩感知技术突破了传统奈奎斯特采样定理的限制，可以大大降低信号的采样率，实现了数据的获取和压缩同时进行，避免大量冗余信号的传输。自然界信号经过稀疏变换，得到包含K个非零值的稀疏矩阵，再通过测量矩阵处理，将信号投影到一个低维空间，在低维空间对信号进行重构，得到信号采集结果。
压缩感知技术中的一个难点在于如何构造稳定的测量矩阵，对信号降维生成测量值，保证信号降低维度后，K个非零值没有被破坏。测量矩阵是否可以重构成功的约束条件是具备约束等距性质(下称RIP特性)。由于RIP验证是np-hard问题，因此通过列相关系数的下界(最大值)μ来验证。如果矩阵RIP常数δK＝(2K-1)μ，则满足2K阶RIP特性。目前被证实满足这一约束条件的压缩感知测量矩阵是独立同分布的高斯随机矩阵。高斯随机矩阵属于完全随机性的测量矩阵，在理论上被证明可以用做测量矩阵，几乎与任意稀疏信号都不相关，因而所需的测量次数最小，重构精度优于确定性测量矩阵。但高斯随机矩阵在具体实现时会占用大量存储资源，并不适用于大规模应用。
因此，目前在构造测量矩阵时更倾向于选择部分随机性的测量矩阵。部分随机性的测量矩阵相比完全随机性的测量矩阵虽然减少了一些随机性，但是更适用于实际应用。当前构造部分随机测量矩阵的设计方法通常为从正交方阵的N行中随机抽取M行构造M×N阶的测量矩阵。但是这种构造测量矩阵的方法，大大减少了随机性，只能满足一定阶数的RIP特性，重构成功的概率高度依赖于抽取哪些行向量，如果抽取的行向量之间的互相关性比较大，就有一定重构失败的可能，这会进一步导致可以恢复的稀疏度K值较小，从而仅适用于时域稀疏的信号，无法满足大部分的自然图像等原始信号。
发明内容
本发明的目的是提供一种压缩感知测量矩阵的确定方法、确定装置、确定设备及计算机可读存储介质，能够得到随机性较高的部分随机性的测量矩阵，在采用部分随机性的测量矩阵简化计算与存储的基础上，提高信号重构成功的概率。
为解决上述技术问题，本发明提供一种压缩感知测量矩阵的确定方法，包括：
基于稀疏矩阵，构造N×N阶的正交方阵；
在所述正交方阵中抽取M个行向量，生成M×N阶的初始测量矩阵；
以各列向量之间的互相关系数作为验证测量矩阵随机性优劣的评估依据，在所述初始测量矩阵的基础上进行更新元素位置的迭代运算，直至满足预设迭代结束条件，以各次迭代运算中互相关系数最小的测量矩阵为优化后的测量矩阵；
其中，N为所述稀疏矩阵的阶数，M和N均为正整数，且N大于M。
可选的，所述以各列向量之间的互相关系数作为验证测量矩阵随机性优劣的评估依据，具体为：
以各列向量之间的互相关系数的累加值作为所述评估依据。
可选的，所述预设迭代结束条件具体为满足以下公式：
其中，δK为当前测量矩阵的约束等距系数，K为所述稀疏矩阵的稀疏度，N为所述稀疏矩阵的阶数，μ_all为所述当前测量矩阵对应的累加值。
可选的，所述预设迭代结束条件具体为达到预设的迭代次数；
所述优化后的测量矩阵具体为各次迭代运算中所述累加值最小的测量矩阵。
可选的，所述以各列向量之间的互相关系数作为验证测量矩阵随机性优劣的评估依据，在所述初始测量矩阵的基础上进行更新元素位置的迭代运算，直至满足预设迭代结束条件，以各次迭代运算中互相关系数最小的测量矩阵为优化后的测量矩阵，具体包括：
计算当前测量矩阵中各列向量之间的互相关系数；
判断所述当前测量矩阵是否满足所述预设迭代结束条件；
如果是，则结束迭代运算，以所述当前测量矩阵为所述优化后的测量矩阵；
如果否，则将所述当前测量矩阵中的元素Xij左移(Q×i)位，得到更新后的测量矩阵，并以所述更新后的测量矩阵为所述当前测量矩阵，返回所述计算当前测量矩阵对应的累加值的步骤；
其中，Q为正整数；i＝1,2……M；j＝1,2,……N。
可选的，所述在所述正交方阵中抽取M行向量，生成M×N阶的初始测量矩阵，具体为：
在所述正交方阵的N个行向量中，以公差为P的等差数列抽取M个行向量；
其中，P为正整数。
可选的，还包括：
若经过预设次数的迭代运算后仍未获取所述互相关系数满足所述稀疏矩阵的约束等距性质要求的测量矩阵时，在所述正交矩阵中重新抽取M个行向量，生成M×N阶的另一初始测量矩阵；
以各列向量之间的互相关系数作为所述评估依据，对所述另一初始测量矩阵进行更新元素的迭代运算，直至满足所述预设迭代结束条件，得到所述优化后的测量矩阵。
为解决上述技术问题，本发明还提供一种压缩感知测量矩阵的确定装置，包括：
构造单元，用于基于稀疏矩阵，构造N×N阶的正交方阵；
抽取单元，用于在所述正交方阵中抽取M个行向量，生成M×N阶的初始测量矩阵；
计算单元，用于以各列向量之间的互相关系数作为验证测量矩阵随机性优劣的评估依据，在所述初始测量矩阵的基础上进行更新元素位置的迭代运算，直至满足预设迭代结束条件，以各次迭代运算中互相关系数最小的测量矩阵为优化后的测量矩阵；
其中，N为所述稀疏矩阵的阶数，M和N均为正整数，且N大于M。
为解决上述技术问题，本发明还提供一种压缩感知测量矩阵的确定设备，包括：
存储器，用于存储指令，所述指令包括上述任意一项所述压缩感知测量矩阵的确定方法的步骤；
处理器，用于执行所述指令。
为解决上述技术问题，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述压缩感知测量矩阵的确定方法的步骤。
本发明所提供的压缩感知测量矩阵的确定方法，首先基于稀疏矩阵，构造N×N阶的正交方阵；在正交方阵中抽取M个行向量，生成M×N阶的初始测量矩阵；而后通过以各列向量之间的互相关系数作为验证测量矩阵随机性优劣的评估依据，在初始测量矩阵的基础上进行更新元素位置的迭代运算，直至满足预设迭代结束条件，得到优化后的测量矩阵，该优化后的测量矩阵相较于初始测量矩阵，具有较高的随机性，提高了重构精度，有利于满足更多的原始信号的采集要求。
本发明还提供一种压缩感知测量矩阵的定装置、确定设备及计算机可读存储介质，具有上述有益效果，在此不再赘述。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种压缩感知测量矩阵的确定方法的流程图；
图2为本发明实施例提供的一种压缩感知测量矩阵的确定装置的结构示意图；
图3为本发明实施例提供的一种压缩感知测量矩阵的确定设备的结构示意图。
具体实施方式
本发明的核心是提供一种压缩感知测量矩阵的确定方法、确定装置、确定设备及计算机可读存储介质，能够得到随机性较高的部分随机性的测量矩阵，在采用部分随机性的测量矩阵简化计算与存储的基础上，提高信号重构成功的概率。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种压缩感知测量矩阵的确定方法的流程图。
如图1所示，本发明实施例提供的压缩感知测量矩阵的确定方法包括：
S101：基于稀疏矩阵，构造N×N阶的正交方阵。
其中，N为稀疏矩阵的阶数，具体根据原始信号的规模、尺寸确定。
构造的N×N阶的正交方阵，可以为哈达玛矩阵或傅里叶变换矩阵。
S102：在正交方阵中抽取M个行向量，生成M×N阶的初始测量矩阵。
其中，M和N均为正整数，且N大于M。M根据预设的对稀疏矩阵的压缩比确定。
若步骤S101中构造的正交方阵为N×N阶的哈达玛矩阵，则随机从该哈达玛矩阵中选取M个行向量，构造M×N阶的部分哈达玛矩阵。由于哈达玛矩阵是正交方阵，因此部分哈达玛矩阵具有较强的非相关和部分正交性。但是哈达玛的矩阵特性限制了N必须为2的倍数。
若步骤S101中构造的正交方阵为N×N阶的傅里叶变换矩阵，则随机从该傅里叶变换矩阵中选取M个行向量，对M×N阶的矩阵进行列归一化，就构造出MxN的测量矩阵。对于归一化，一种说法是向量除以向量各项之和，另一种说法是向量除以向量的二范数(各项平方之和再开方)。
在具体实施中，步骤S102具体可以为：
在正交方阵的N个行向量中，以公差为P的等差数列抽取M个行向量；其中，P为正整数。
在开始抽取时，P可以设置为1，即从正交方阵的某一行开始，依次抽取M个行向量。若P设置为2，则可以从正交方阵中抽取第一个行向量、第三个行向量、第五个行向量……。若P较大或者M较大，导致循环到正交方阵的最后一行还未抽取完M个行向量，则返回第一行继续执行，若抽取时遇到之前已经选中的行向量，则跳过。
S103：以各列向量之间的互相关系数作为验证测量矩阵随机性优劣的评估依据，在初始测量矩阵的基础上进行更新元素位置的迭代运算，直至满足预设迭代结束条件，以各次迭代运算中互相关系数最小的测量矩阵为优化后的测量矩阵。
现有技术中仅从N×N阶的正交矩阵中抽取M个行向量构造M×N阶的测量矩阵作为测量矩阵，无法保证抽取结果的随机性，有可能导致重构失败。测量矩阵是否可以重构成功的约束条件是具备RIP特性，在评估部分随机矩阵的RIP特性时，也可以通过列相关系数的下界(最大值)μ来验证。如果矩阵RIP常数δK＝(2K-1)μ，则满足2K阶RIP特性。因此在本发明实施例中，以M×N阶的测量矩阵中各列向量之间的互相关系数来评估测量矩阵随机性的依据。
对初始测量矩阵，设置迭代次数为1，往后每进行一次迭代运算则加1。可以先计算衡量初始测量矩阵的随机性，若初始测量矩阵的随机性不满足要求，则进行迭代运算。
本发明实施例中的迭代运算为对当前测量矩阵(本次迭代运算前最新的测量矩阵)中的元素位置进行更新，如各元素左移或右移，从而产生新的列向量。步骤S103具体可以包括：
计算当前测量矩阵中各列向量之间的互相关系数；
判断当前测量矩阵是否满足预设迭代结束条件；
如果是，则结束迭代运算，以当前测量矩阵为优化后的测量矩阵；
如果否，则将当前测量矩阵中的元素Xij左移(Q×i)位，得到更新后的测量矩阵，并以更新后的测量矩阵为当前测量矩阵，返回计算当前测量矩阵对应的累加值的步骤；
其中，Q为正整数；i＝1,2……M；j＝1,2,……N；i≠j。
例如，若Q设置为1，则将当前测量矩阵中第一行的元素左移一位，第二行的元素左移两位……以此类推。
可以理解的是，除了上述方式，还有其他方式来更新当前测量矩阵中的元素位置，在此不一一赘述。
预设迭代结束条件可以为得到满足2K阶RIP特性的测量矩阵，也可以为达到预设迭代次数。需要说明的是，在对当前测量矩阵进行更新元素位置的迭代运算之后，可能会得到相较于当前测量矩阵随机性变差的测量矩阵。
因此，若采用得到满足2K阶RIP特性的测量矩阵为预设迭代结束条件，则在出现满足2K阶RIP特性的测量矩阵时停止迭代运算，以最后的测量矩阵为优化后的测量矩阵；若采用达到预设的迭代次数作为预设迭代结束条件，则在达到预设的迭代次数停止迭代运算，并选取在各次迭代运算中随机性最优的测量矩阵作为优化后的测量矩阵。
也可将两种预设迭代结束条件结合，当出现满足2K阶RIP特性的测量矩阵时停止迭代运算；若达到了预设的迭代次数仍未出现满足2K阶RIP特性的测量矩阵，则停止迭代运算，选择各次迭代运算中随机性最优的测量矩阵作为优化后的测量矩阵。
在采用测量矩阵中各列向量之间的互相关系数来评估测量矩阵的随机性时，可以对各互相关系数进行统计分析，得到整个测量矩阵的随机性评估结果。
具体的，上文中的μ可以为测量矩阵中各列向量之间的互相关系数的最大值μmax。在计算出各列向量
之间的互相关系数
之后，以各互相关系数中的最大值
作为μ值。从初始测量矩阵开始进行迭代运算，若当前测量矩阵满足
即满足
时停止迭代，以当前测量矩阵为优化后的测量矩阵。其中，δK为当前测量矩阵的约束等距系数，K为稀疏矩阵的稀疏度，N为稀疏矩阵的阶数。
μ还可以为测量矩阵中各列向量之间的互相关系数的累加值，具体为
则预设迭代结束条件具体为满足以下公式：
其中，δK为当前测量矩阵的约束等距系数，K为稀疏矩阵的稀疏度，N为稀疏矩阵的阶数，μ_all为当前测量矩阵对应的累加值。则若是以达到预设的迭代次数为预设迭代结束条件，优化后的测量矩阵具体为各次迭代运算中各列向量之间的互相关系数的累加值最小的测量矩阵。
若采用各列向量之间的互相关系数中的最大值作为评估依据，则有可能出现最大值满足要求，但其余互相关系数也都较大，导致优化后的测量矩阵整体随机性差的问题；还有可能出现最大值不满足要求，但其余互相关系数均较小，实际上测量矩阵整体随机性较佳但被淘汰的问题。故相较采用各列向量之间的互相关系数中的最大值作为评估依据，采用各列向量之间的互相关系数的累加值更能衡量测量矩阵的随机性水平。
本发明实施例提供的压缩感知测量矩阵的确定方法，首先基于稀疏矩阵，构造N×N阶的正交方阵；在正交方阵中抽取M个行向量，生成M×N阶的初始测量矩阵；而后通过以各列向量之间的互相关系数作为验证测量矩阵随机性优劣的评估依据，在初始测量矩阵的基础上进行更新元素位置的迭代运算，直至满足预设迭代结束条件，以各次迭代运算中互相关系数最小的测量矩阵为优化后的测量矩阵，该优化后的测量矩阵相较于初始测量矩阵，具有较高的随机性，提高了重构成功的可能性，有利于满足更多的原始信号的采集要求。
在上述实施例的基础上，为了增加获得满足RIP特性的测量矩阵的几率，本发明实施例提供的压缩感知测量矩阵的确定方法还包括：
若经过预设次数的迭代运算后仍未获取互相关系数满足稀疏矩阵的约束等距性质要求的测量矩阵时，在正交矩阵中重新抽取M个行向量，生成M×N阶的另一初始测量矩阵；
以各列向量之间的互相关系数作为评估依据，对另一初始测量矩阵进行更新元素的迭代运算，直至满足预设迭代结束条件，得到优化后的测量矩阵。
在重新抽取时，应保证另一初始测量矩阵中具有原初始测量矩阵中没有的行向量。如可以改变公差P值或起始行以抽取到新的行向量。
上文详述了压缩感知测量矩阵的确定方法对应的各个实施例，在此基础上，本发明还公开了与上述方法对应的压缩感知测量矩阵的确定装置、设备及计算机可读存储介质。
图2为本发明实施例提供的一种压缩感知测量矩阵的确定装置的结构示意图。
如图2所示，本发明实施例提供的压缩感知测量矩阵的确定装置包括：
构造单元201，用于基于稀疏矩阵，构造N×N阶的正交方阵；
抽取单元202，用于在正交方阵中抽取M个行向量，生成M×N阶的初始测量矩阵；
计算单元203，用于以各列向量之间的互相关系数作为验证测量矩阵随机性优劣的评估依据，在初始测量矩阵的基础上进行更新元素位置的迭代运算，直至满足预设迭代结束条件，以各次迭代运算中互相关系数最小的测量矩阵为优化后的测量矩阵；
其中，N为稀疏矩阵的阶数，M和N均为正整数，且N大于M。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
图3为本发明实施例提供的一种压缩感知测量矩阵的确定设备的结构示意图。
如图3所示，本发明实施例提供的压缩感知测量矩阵的确定设备包括：
存储器310，用于存储指令，所述指令包括上述任意一项实施例所述的压缩感知测量矩阵的确定方法的步骤；
处理器320，用于执行所述指令。
其中，处理器320可以包括一个或多个处理核心，比如3核心处理器、8核心处理器等。处理器320可以采用数字信号处理DSP(Digital Signal Processing)、现场可编程门阵列FPGA(Field－Programmable Gate Array)、可编程逻辑阵列PLA(Programmable LogicArray)中的至少一种硬件形式来实现。处理器320也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器CPU(CentralProcessing Unit)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器320可以集成有图像处理器GPU(Graphics Processing Unit)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器320还可以包括人工智能AI(Artificial Intelligence)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器310可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器310还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器310至少用于存储以下计算机程序311，其中，该计算机程序311被处理器320加载并执行之后，能够实现前述任一实施例公开的压缩感知测量矩阵的确定方法中的相关步骤。另外，存储器310所存储的资源还可以包括操作系统312和数据313等，存储方式可以是短暂存储或者永久存储。其中，操作系统312可以为Windows。数据313可以包括但不限于上述方法所涉及到的数据。
在一些实施例中，压缩感知测量矩阵的确定设备还可包括有显示屏330、电源340、通信接口350、输入输出接口360、传感器370以及通信总线380。
本领域技术人员可以理解，图3中示出的结构并不构成对压缩感知测量矩阵的确定设备的限定，可以包括比图示更多或更少的组件。
本申请实施例提供的压缩感知测量矩阵的确定设备，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现如上所述的压缩感知测量矩阵的确定方法，效果同上。
需要说明的是，以上所描述的装置、设备实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本发明各个实施例所述方法的全部或部分步骤。
为此，本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如压缩感知测量矩阵的确定方法的步骤。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器ROM(Read-OnlyMemory)、随机存取存储器RAM(Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例中提供的计算机可读存储介质所包含的计算机程序能够在被处理器执行时实现如上所述的压缩感知测量矩阵的确定方法的步骤，效果同上。
以上对本发明所提供的一种压缩感知测量矩阵的确定方法、确定装置、确定设备及计算机可读存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种压缩感知测量矩阵的确定方法，其特征在于，包括：
基于稀疏矩阵，构造N×N阶的正交方阵；
在所述正交方阵中抽取M个行向量，生成M×N阶的初始测量矩阵；
以各列向量之间的互相关系数作为验证测量矩阵随机性优劣的评估依据，在所述初始测量矩阵的基础上进行更新元素位置的迭代运算，直至满足预设迭代结束条件，以各次迭代运算中互相关系数最小的测量矩阵为优化后的测量矩阵；
其中，N为所述稀疏矩阵的阶数，M和N均为正整数，且N大于M。
2.根据权利要求1所述的确定方法，其特征在于，所述以各列向量之间的互相关系数作为验证测量矩阵随机性优劣的评估依据，具体为：
以各列向量之间的互相关系数的累加值作为所述评估依据。
3.根据权利要求2所述的确定方法，其特征在于，所述预设迭代结束条件具体为满足以下公式：
其中，δK为当前测量矩阵的约束等距系数，K为所述稀疏矩阵的稀疏度，N为所述稀疏矩阵的阶数，μ_all为所述当前测量矩阵对应的累加值。
4.根据权利要求2所述的确定方法，其特征在于，所述预设迭代结束条件具体为达到预设的迭代次数；
所述优化后的测量矩阵具体为各次迭代运算中所述累加值最小的测量矩阵。
5.根据权利要求1所述的确定方法，其特征在于，所述以各列向量之间的互相关系数作为验证测量矩阵随机性优劣的评估依据，在所述初始测量矩阵的基础上进行更新元素位置的迭代运算，直至满足预设迭代结束条件，以各次迭代运算中互相关系数最小的测量矩阵为优化后的测量矩阵，具体包括：
计算当前测量矩阵中各列向量之间的互相关系数；
判断所述当前测量矩阵是否满足所述预设迭代结束条件；
如果是，则结束迭代运算，以所述当前测量矩阵为所述优化后的测量矩阵；
如果否，则将所述当前测量矩阵中的元素Xij左移(Q×i)位，得到更新后的测量矩阵，并以所述更新后的测量矩阵为所述当前测量矩阵，返回所述计算当前测量矩阵对应的累加值的步骤；
其中，Q为正整数；i＝1,2……M；j＝1,2,……N。
6.根据权利要求1所述的确定方法，其特征在于，所述在所述正交方阵中抽取M行向量，生成M×N阶的初始测量矩阵，具体为：
在所述正交方阵的N个行向量中，以公差为P的等差数列抽取M个行向量；
其中，P为正整数。
7.根据权利要求1所述的确定方法，其特征在于，还包括：
若经过预设次数的迭代运算后仍未获取所述互相关系数满足所述稀疏矩阵的约束等距性质要求的测量矩阵时，在所述正交矩阵中重新抽取M个行向量，生成M×N阶的另一初始测量矩阵；
以各列向量之间的互相关系数作为所述评估依据，对所述另一初始测量矩阵进行更新元素的迭代运算，直至满足所述预设迭代结束条件，得到所述优化后的测量矩阵。
8.一种压缩感知测量矩阵的确定装置，其特征在于，包括：
构造单元，用于基于稀疏矩阵，构造N×N阶的正交方阵；
抽取单元，用于在所述正交方阵中抽取M个行向量，生成M×N阶的初始测量矩阵；
计算单元，用于以各列向量之间的互相关系数作为验证测量矩阵随机性优劣的评估依据，在所述初始测量矩阵的基础上进行更新元素位置的迭代运算，直至满足预设迭代结束条件，以各次迭代运算中互相关系数最小的测量矩阵为优化后的测量矩阵；
其中，N为所述稀疏矩阵的阶数，M和N均为正整数，且N大于M。
9.一种压缩感知测量矩阵的确定设备，其特征在于，包括：
存储器，用于存储指令，所述指令包括权利要求1至7任意一项所述压缩感知测量矩阵的确定方法的步骤；
处理器，用于执行所述指令。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述压缩感知测量矩阵的确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010663004.3A CN111817723A (zh) | 2020-07-10 | 2020-07-10 | 一种压缩感知测量矩阵的确定方法、确定装置、确定设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010663004.3A CN111817723A (zh) | 2020-07-10 | 2020-07-10 | 一种压缩感知测量矩阵的确定方法、确定装置、确定设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111817723A true CN111817723A (zh) | 2020-10-23 |
Family
ID=72842675
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010663004.3A Withdrawn CN111817723A (zh) | 2020-07-10 | 2020-07-10 | 一种压缩感知测量矩阵的确定方法、确定装置、确定设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111817723A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113849698A (zh) * | 2021-09-15 | 2021-12-28 | 支付宝(杭州)信息技术有限公司 | 一种无向图的预估权重矩阵的确定方法及装置 |
| WO2022110867A1 (zh) * | 2020-11-27 | 2022-06-02 | 苏州浪潮智能科技有限公司 | 一种图像压缩采样方法及组件 |
| CN115982533A (zh) * | 2023-01-09 | 2023-04-18 | 浙江中智达科技有限公司 | 一种工业控制器降维方法、装置、设备及存储介质 |
-
2020
- 2020-07-10 CN CN202010663004.3A patent/CN111817723A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022110867A1 (zh) * | 2020-11-27 | 2022-06-02 | 苏州浪潮智能科技有限公司 | 一种图像压缩采样方法及组件 |
| US11936869B2 (en) | 2020-11-27 | 2024-03-19 | Inspur Suzhou Intelligent Technology Co., Ltd. | Image compression sampling method and assembly |
| CN113849698A (zh) * | 2021-09-15 | 2021-12-28 | 支付宝(杭州)信息技术有限公司 | 一种无向图的预估权重矩阵的确定方法及装置 |
| CN115982533A (zh) * | 2023-01-09 | 2023-04-18 | 浙江中智达科技有限公司 | 一种工业控制器降维方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111817723A (zh) | 一种压缩感知测量矩阵的确定方法、确定装置、确定设备 | |
| CN108710613B (zh) | 文本相似度的获取方法、终端设备及介质 | |
| CN111488986A (zh) | 一种模型压缩方法、图像处理方法以及装置 | |
| CN112991472B (zh) | 一种基于残差稠密阈值网络的图像压缩感知重建方法 | |
| CN109345615B (zh) | 蒙皮数据生成方法以及装置、电子设备及存储介质 | |
| KR20220114519A (ko) | 양자 오류 정정 디코딩 시스템 및 방법, 내결함성 양자 오류 정정 시스템 및 칩 | |
| CN112633484A (zh) | 神经网络加速器、卷积运算实现方法、装置及存储介质 | |
| CN117435855B (zh) | 用于进行卷积运算的方法、电子设备和存储介质 | |
| CN111428879A (zh) | 数据处理方法、装置、芯片以及计算机可读存储介质 | |
| US20240273163A1 (en) | Accelerator for sparse matrix multiplication in neural networks | |
| Hitz et al. | Discrete extremes | |
| CN112256623A (zh) | 一种基于异构系统的处理性能优化方法及装置 | |
| Chow et al. | An efficient sparse conjugate gradient solver using a Beneš permutation network | |
| CN109902821B (zh) | 一种数据处理方法、装置及相关组件 | |
| CN110569970A (zh) | 一种应用于卷积神经网络中硬件加速器的数据传输方法 | |
| CN108628889B (zh) | 基于时间片的数据抽样方法、系统和装置 | |
| CN116578425B (zh) | 一种基于光栅化的负载均衡方法及系统 | |
| US8612505B1 (en) | Minimum resource fast fourier transform | |
| CN113222160A (zh) | 一种量子态的转换方法及装置 | |
| CN115904240A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN114466082A (zh) | 数据压缩、数据解压方法、系统及人工智能ai芯片 | |
| CN110032445B (zh) | 大数据聚集计算方法及装置 | |
| CN109816110B (zh) | Scrypt算法工作量证明方法及装置 | |
| CN115374388B (zh) | 多维数组压缩及解压方法及装置 | |
| CN110647723B (zh) | 基于原位可视化的粒子数据处理方法、装置和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201023 |
|
| WW01 | Invention patent application withdrawn after publication |