【CN110033030A】基于神经网络求解01测量矩阵的压缩感知问题的方法【专利】

哈尔滨工业大学工学硕士学位论文摘要无线传感器网络技术作为物联网核心技术之一，近年来得到了国内外学者的广泛关注。

研究发现无线传感器网络的寿命主要取决于路由节点转发的数据量。

因此将数据压缩，减小传输信息的数据量可以有效的延长网络寿命，扩大无线传感器网络的应用范围。

本论文引入压缩感知的方法压缩数据，减小传输数据量。

并结合无线传感器网络分布式信息采集、处理的特点，引入分布式压缩感知进行信号处理，增强信息压缩效果。

本文的主要工作包括以下内容。

基于压缩感知基础理论，分析无线传感器网络的监测信号的稀疏性，实现单信号独立压缩和重构。

本文研究了高斯随机矩阵、贝努力随机矩阵、部分正交矩阵、部分哈达玛矩阵对信号重构精度和数据压缩程度的影响；研究匹配追踪算法、正交匹配追踪算法、梯度追踪算法对于信号重构精度，重构计算复杂度等指标的影响，确定我们实际应用的观测矩阵和重构算法。

针对只能依靠经验估计来确定重构算法的迭代次数这一问题进行了研究。

研究发现，要得到较好的重构结果，采用经验估计法确定的迭代次数不准确，必须选取一个较大的值，这极大的浪费了运算资源。

尤其在使用随机矩阵作为观测矩阵时，矩阵的随机性会导致重构算法迭代到相同精度时，迭代次数是一个浮动的值。

为此，我们提出了残差更新度的概念，利用残差匹配度的规律在迭代过程中动态决定是否停止迭代运算。

研究分布式压缩感知的信号重构，使用联合稀疏模型1进行信号重构。

利用信号公有部分多为低频缓变信号的特点，改变重构信号在进行重构计算时使用的观测矩阵，避免信号共有部分高频分量的计算，减小计算量，同时减小了误差。

经过研究，本设计完成了无线传感器网络采集信号并组网传输至上位机显示。

通过无线传感器网络实际应用环境的实验，验证了上述成果。

验证表明，本算法的应用减少了网络传输数据量，降低了网络整体功耗。

关键词：无线传感器网络；压缩感知；观测矩阵；重构算法；残差更新度哈尔滨工业大学工学硕士学位论文AbstractIn recent years wireless sensor network (WSN) technology has got the wide attention from scholars as one of the core technology in the Internet of Things. The study found that the life of Wireless Sensor Networks mainly depends on the amount of data transmitted by the routing node. Data compression to reduce the transmission of information the amount of data can effectively prolong the network lifetime and extend range of applications of wireless sensor networks.Aim at these issues, we introduce compressed sensing methods to wireless sensor network which compressing data and reducing the amount of data transferred effectively. We introduce distributed compressed sensing to enhance compression. In order to introduce compressed sensing to wireless sensor network, we completed the following work.Analyze the sparsity of the monitored signals of the wireless sensor networks. Achieve independent compression and reconstruction of the single signal. In order to adapt to the application environment for wireless sensor networks, we need research the compressed sensing observation matrix and reconstruction algorithm. This paper studies the impact on the accuracy of signal reconstruction and data compression performance of the Gaussian measurement matrix, Bernoulli measurement matrix, partial orthogonal measurement matrix and partial Hadamard measurement matrix. Study the the performance of matching pursuit algorithm, orthogonal matching pursuit algorithm and gradient pursuit algorithm. Determine our observation matrix and reconstruction algorithm in practical terms by the study of these two core issues.We need to determine the number of iterations of reconstruction algorithm. We used to determine it by empirical estimating. This approach is inaccurate, especially in the use of some random measurement matrix. The randomness of the matrix will lead the number of iterations to a floating number. We have selected the concept of residual update to decide dynamically whether to stop the iterative computation.Study the joint sparse model of distributed compressed sensing. Use the Fourier-base for the projection base. We find that the public parts of the signals are mostly low-frequency and slowly varying signals. So we change the observation matrix of the joint sparse model, to avoid the reconstruction of the part of the high frequency components. Analysis the algorithm to confirm the application scenarios of this method.We complete the acquisition and collection of the signals through the network. We verify the above four ideas through the practical applications of wireless sensor network experiment. The experiment showed that the application of the algorithm reduces the amount of data transfered by network and the overall network power consumption. Keywords: wireless sensor networks, compressed sensing, measurement matrix, reconstruction algorithm, residual update哈尔滨工业大学工学硕士学位论文目录摘要 (I)ABSTRACT (II)第1章绪论 (1)1.1课题研究的背景及意义 (1)1.2国内外研究现状分析 (1)1.3本课题的研究内容 (3)1.4论文结构 (4)第2章压缩感知理论及分布式模型改进 (5)2.1压缩感知简介 (5)2.1.1 压缩感知基础理论 (5)2.1.2 RIP理论 (8)2.2分布式压缩感知 (9)2.2.1 分布式信源编码 (9)2.2.2 联合稀疏模型 (9)2.2.3 联合稀疏模型1的改进 (11)2.3本章小结 (15)第3章压缩感知基本算法的性能评价 (17)3.1观测矩阵研究 (17)3.1.1 高斯随机矩阵 (17)3.1.2 贝努利随机矩阵 (18)3.1.3 部分正交矩阵 (20)3.1.4 部分哈达玛矩阵 (21)3.1.5 不同观测矩阵的对比 (22)3.2重构算法研究 (25)3.2.1 匹配追踪算法 (25)3.2.2 正交匹配追踪算法 (27)3.2.3 梯度追踪算法 (28)3.2.4 几种重构算法的效果对比 (31)3.3本章小结 (33)第4章压缩感知改进算法 (35)4.1问题描述 (35)4.2残差更新度 (36)4.2.1 残差更新度概念的提出 (36)4.2.2 残差更新度的规律 (37)哈尔滨工业大学工学硕士学位论文4.2.3 残差更新度在分布式压缩感知中的应用 (39)4.3本章小结 (40)第5章无线传感器网络中的数据压缩 (41)5.1无线传感器网络介绍 (41)5.2压缩感知算法无线传感器网络应用 (42)5.2.1 无线传感器网络平台搭建 (42)5.2.2 无线传感器网络单节点数据压缩 (43)5.2.3 无线传感器网络多节点联合压缩 (45)5.3本章小结 (47)结论 (48)参考文献 (49)攻读学位期间发表的学术论文及其它成果 (52)哈尔滨工业大学学位论文原创性声明及使用授权说明 (53)致谢 (54)哈尔滨工业大学工学硕士学位论文第1章绪论1.1 课题研究的背景及意义农业是支撑国民经济建设与发展的基础产业。

人工智能技术在压缩感知中的应用探究随着信息技术的飞速发展，以及物联网的普及，我们所面临的数据量越来越大。

如何对这些数据进行有效的处理和传输，成为了摆在我们面前的一个难题。

在这个过程中，压缩感知技术的出现给我们带来了很大的便利。

与传统的压缩技术相比，压缩感知技术具有更高的压缩率和更小的数据传输量。

由于传统的压缩技术往往需要将信号采样后进行压缩，这个过程可能会浪费大量的带宽。

而压缩感知技术则可以在采样和压缩的同时完成，节省了带宽的资源。

而本文要探究的是，人工智能技术在压缩感知中的应用。

一、什么是压缩感知技术在压缩感知技术中，我们可以通过一种叫做稀疏采样的方式对信号进行采样。

稀疏采样指的是，在信号中存在着较多的零元素，我们可以仅对这些非零元素进行采样，忽略掉那些为零的部分。

在必要的情况下，我们可以通过一些算法来对信号进行重构，从而得到完整的信号数据。

在一般情况下，人们使用的信号都是稀疏的。

比如音频信号、图像信号等，它们往往都只包含少量有效的信息。

而传统的压缩技术无法充分利用信号的稀疏性，导致压缩率较低。

而压缩感知技术的出现，最大限度地利用了这种稀疏性，从而获得了更高的压缩率。

二、人工智能技术在压缩感知中的应用在压缩感知技术中，我们需要对信号进行采样并进行处理。

传统的采样方式往往是随机采样，但这种方法对信号的采样效率较低。

由于人工智能技术在图像识别和处理方面具有很高的准确率，因此我们可以使用一些深度学习算法对信号进行采样和处理。

一种广泛应用的信号采样方式是基于卷积神经网络（CNN）的压缩感知采样。

在这种方式中，人们使用的是一种叫作卷积自编码器的神经网络。

这种网络可以对信号进行压缩，并同时得到一个相关矩阵。

这个相关矩阵可以被用来计算信号的稀疏度，从而确定需要采样的数据点的位置。

在按照稀疏度进行采样之后，我们需要对采样结果进行处理。

这个过程一般需要使用一些重构算法。

但是，有时候我们的重构算法不一定能够完全地恢复出信号中的所有信息。

基于神经网络的压缩感知图像重构技术研究近年来，图像压缩技术的研究越来越受到广泛关注。

其中基于压缩感知理论的图像重构技术成为了研究热点。

压缩感知理论源于数学领域，其核心思想是基于离散小波变化、稀疏表示和随机测量矩阵的测量原理，能够用更少的采样率和存储空间来压缩图像，同时保持足够的图像质量。

神经网络作为一种能够模拟人类神经系统的计算模型，在图像处理领域具有广泛的应用。

在基于压缩感知理论的图像重构技术中，神经网络可以通过学习压缩后的图像数据，通过反向传播算法和误差反向传播算法等方法重建原始图像。

首先，基于神经网络的图像压缩感知理论需要构建深度学习模型。

根据压缩感知理论的要求，模型需要具有稀疏性和不变性。

常见的压缩感知模型包括稀疏编码模型和稀疏自编码模型。

稀疏编码模型主要利用稀疏噪声自相关的信息，对信号进行稀疏表示。

而稀疏自编码模型则是通过对信号进行编码和解码来学习信号的稀疏表示，并且在编码后加入噪声以增加模型的鲁棒性。

其次，基于神经网络的图像压缩感知理论需要对压缩和重构过程进行建模。

压缩过程通常包括三个步骤：稀疏表示、测量和量化。

其中稀疏表示是将信号分解为基矢量的线性组合，从而获得稀疏表示系数。

测量过程是将稀疏表示系数映射到随机测量矩阵，从而获得测量结果。

量化过程是将测量结果离散化，以便进行数据传输和存储。

重构过程则是通过反向传播算法和误差反向传播算法等方法，将压缩后的数据转换为原始图像。

这个过程也可以看作是图像降噪的过程。

最后，基于神经网络的压缩感知图像重构技术具有广泛的应用前景。

该技术可以在图像传输和存储等领域中发挥重要作用。

例如，在远程视频监控和医疗图像诊断等领域中，可以通过该技术减少图像传输和存储的带宽需求，提高系统的实时性和可靠性。

总的来说，基于神经网络的压缩感知图像重构技术具有很大的研究空间和应用前景。

不过，在实际应用中还需要考虑到数据安全和隐私保护等因素。

因此，未来的研究还需要进一步加强相关技术的研究和开发。

压缩感知重构算法综述李珅1,2，马彩文1，李艳1，陈萍1（1.中国科学院西安光学精密机械研究所光电跟踪与测量室,陕西省西安市 710119; 2.中国科学院研究生院,北京 100039）摘要：现代社会信息量的激增带来了信号采样、传输和存储的巨大压力，而近年来出现的压缩感知理论(Compressed Sensing,CS)为解决该问题提供了契机。

该理论指出：对于稀疏或可压缩的信号，能够以远低于奈奎斯特频率对其进行采样，并通过设计重构算法来精确的恢复该信号。

本文介绍了压缩感知理论的基本框架，综述了压缩感知理论的重构算法，其中着重介绍了最优化算法和贪婪算法并比较了各种算法之间的优劣，最后探讨了压缩感知理论重构算法未来的研究重点。

关键词：信号采样; 压缩感知; 稀疏; 重构算法中图法分类号： TP301.6 文献标识码：ASurvey on reconstruction algorithm based on compressivesensingLi Shen1,2, Ma Cai-wen1, Li Yan1, Chen Ping1(1.Xi’an Institute of Optics and Precision Mechanics of CAS, Xi’an Shaanxi 710119, China；2.Graduate University of Chinese Academy of Sciences, Beijing 100039, China）Abstract：With the rapid demanding for information, the existing systems are very difficult to meet the challenges of high speed sampling, large volume data transmission and storage. Recently, a new sampling theory called compressive sensing (CS) provides a golden opportunity for solving this problem. CS theory asserts that a signal or image, unknown but supposed to be sparse or compressible in some basis, can be subjected to fewer measurements than traditional methods use, and yet be accurately reconstructed. This paper gives a brief overview of the CS theory framework and reviews the reconstruction algorithm of CS theory. Next, this paper introduces the basis pursuit algorithm and greedy algorithms and explores the difference between them. In the end, we briefly discuss possible implication in the areas of CS data reconstruction.Key words：information sampling; compressive sensing; sparse; reconstruction algorithm0引言随着现代科技的飞速发展，人们对信息量的需求也在剧增。

用于压缩感知的无线传感网测量矩阵设计方法摘要：为了解决无线传感器网络中数据采集过程中的冗余和传输能耗问题，深入分析信号的线性测量过程，提出一种用于压缩感知的测量矩阵设计方法.该方法结合对角矩阵和正交基线性表示原理，采用线性结构化的方法构造,过程简单、速度快、稀疏度高、没有冗余，适合硬件**有限的传感器节点的实现.仿真结果表明，基于对角矩阵线性表示的测量方法与常见的高斯随机矩阵和部分哈达玛矩阵两种测量方法相比,该方法在相同信号重构精度前提下信号恢复成功率更高，传感节点可以通过压缩观测得到更少的测量数据，从而大大减少网络通信量,节约网络能耗，延长网络生存周期。

关键词：无线传感器网络；测量矩阵;线性表示；相关性；压缩感知引言XX无线传感器网络（Wiｒeleｓs Seｎｓｏr Nｅtwork, WSN）是一种无线通信的自组织分布式传感器网络,凭借其隐蔽、容错、部署便捷等优势，被广泛地应用在环境监测、战场侦测和监控、收集等领域。

由于节点硬件**限制,能耗、计算能力受限，如何在保证获取有用信息的前提下延长传感器节点的生存周期是目前国内外学者研究的热点。

然而，传感器节点在其生存周期内数据通信消耗的能量约占总能量消耗的9０％，可见，通过减少数据通信量,减轻通信压力，可以很大程度上延长无线传感器网络的生存周期。

XX压缩感知是Ｃaｎdｅs等于2021年针对传统采集方法的不足而提出新理论，它采用信号线性投影的方法使得在信息不失真的情况下,只要信号在空间变换上能够稀疏或近似稀疏表示，就可以实现信号的采集和数据的低比特率压缩，试图从原理上降低测量信号的成本，从尽可能少的数据中获取更多的信息，提高采集效率。

本文首先研究了压缩感知理论,深入分析了信号线性测量的过程，提出了适合在硬件**有限的传感器节点中的测量矩阵设计方法，在成员节点对信号进行压缩采样，得到较少的采样数据，进一步减少网络通信数据量，延长无线传感器网络的生存周期。

基于压缩感知的宽带干扰抑制算法设计一、压缩感知理论概述压缩感知（Compressed Sensing, CS）是一种新兴的信号处理理论，它突破了传统的采样理论，允许在远低于奈奎斯特率的情况下对信号进行有效重建。

该理论的核心思想是利用信号的稀疏性，在信号的变换域中进行采样，通过优化算法从少量的测量值中恢复出原始信号。

压缩感知在宽带通信、图像处理、生物医学信号处理等领域有着广泛的应用前景。

1.1 压缩感知的基本原理压缩感知的基本原理基于信号的稀疏性，即信号在某个变换域（如傅里叶变换、小波变换等）中只有少数几个非零系数。

在这种情况下，信号可以通过远少于传统采样定理要求的采样点来重建。

压缩感知理论的关键是如何设计一个满足稀疏性条件的测量矩阵，以及如何从这些测量值中恢复出原始信号。

1.2 压缩感知的数学模型压缩感知的数学模型可以描述为：给定一个长度为N的信号x，它在某个变换域中是K-稀疏的，即至多有K个非零系数。

通过一个测量矩阵Φ，我们可以得到M个测量值y，其中M远小于N。

测量模型可以表示为：y = Φx，其中y是长度为M的测量向量，Φ是大小为M×N的测量矩阵，x是原始信号。

压缩感知的目标是从y中恢复出x。

1.3 压缩感知的关键技术压缩感知的关键技术包括测量矩阵的设计、稀疏表示的构建和信号重建算法。

测量矩阵的设计需要满足一定的条件，如稀疏性、等距性和等方差性，以确保信号的有效重建。

稀疏表示的构建涉及到选择合适的变换域和稀疏编码方法。

信号重建算法则需要解决一个优化问题，通常是最小化重建信号与测量值之间的误差，同时保证重建信号的稀疏性。

二、宽带干扰抑制算法的需求分析在现代通信系统中，宽带干扰是一个严重的问题，它严重影响了通信系统的性能和可靠性。

宽带干扰可能来源于多种因素，如自然噪声、人为干扰、设备故障等。

有效的干扰抑制算法对于保障通信系统的正常运行至关重要。

2.1 宽带干扰的特点宽带干扰通常具有频谱宽、强度高、变化快等特点。

基于压缩感知的微弱信号检测方法
基于压缩感知（Compressed Sensing）的微弱信号检测方法是一种有效的信号恢复技术，可以用于处理微弱的、难以直接测量的或由于噪声污染而无法准确识别的信号。

这种方法利用稀疏性原理和测量矩阵的性质，通过较少的随机测量来重构原始信号，从而有效地提取出微弱信号。

具体来说，该方法的实现步骤如下：
1. 构建合适的模型：根据实际需求建立适合的信号模型，例如周期脉冲信号等；
2. 选择合适的测量矩阵：为了满足信号的稀疏性要求，需要选择合适的测量矩阵对信号进行测量；
3. 随机测量：使用选定的测量矩阵对目标信号进行随机测量，获取一些随机的样本数据；
4. 基于压缩感知理论进行处理：应用压缩感知理论，采用某种算法（如L1最小化算法）从这些随机样本中估计出原始信号；
5. 结果分析：对估计出的结果进行分析和处理，得到所需的微弱信号信息。

在实际应用中，可以根据不同的场景和需求，选择适当的压缩感知算法和参数设置来实现高效的微弱信号检测。

同时需要注意在实验过程中要尽量减少噪声和其他干扰因素的影响，以保证结果的准确性。

基于神经网络的图像压缩感知及重建算法研究基于神经网络的图像压缩感知及重建算法研究摘要：图像压缩作为一种常用的图像处理技术，对于图像的存储、传输和处理具有重要意义。

然而，传统的图像压缩方法往往存在着失真较大、压缩比低等问题。

随着人工智能和深度学习的快速发展，基于神经网络的图像压缩感知及重建算法逐渐成为研究热点。

本文主要研究在神经网络框架下的图像压缩感知及重建算法，并对其性能进行评价和分析。

一、引言图像压缩是实现图像文件大小的减小以节省存储空间、提高图像传输效率的一种技术。

目前，常用的图像压缩方法主要包括基于变换的压缩和基于预测的压缩。

然而，由于这些传统方法往往忽略了人眼的感知特性，在压缩过程中导致了较大的失真。

基于神经网络的图像压缩感知及重建算法则通过深度学习的方式，更加准确地模拟了人眼对图像的感知过程。

二、神经网络的图像压缩感知算法神经网络的图像压缩感知算法主要分为两个步骤：感知和重建。

在感知阶段，利用神经网络对原始图像进行编码，生成感知编码。

在重建阶段，通过神经网络解码感知编码，重建出近似的原始图像。

以下为具体步骤的详细介绍。

2.1 图像感知编码在图像感知编码阶段，首先将原始图像输入到卷积神经网络中，经过多层卷积和池化操作，提取出图像的特征。

然后，将提取出的特征进行压缩编码，得到感知编码。

感知编码具有较高的压缩比，并且保留了原始图像的重要特征。

2.2 图像重建在图像重建阶段，将感知编码输入到反卷积神经网络中，通过多层反卷积和上采样操作，逐渐恢复图像的细节。

最终，利用重建出的图像与原始图像进行对比，并计算图像重建的误差。

三、性能评价与分析为了评价基于神经网络的图像压缩感知及重建算法的性能，本文采用了三个指标：压缩比、峰值信噪比（PSNR）和结构相似性指标（SSIM）。

通过与传统的图像压缩方法进行对比实验，可以得出以下结论。

3.1 压缩比相较于传统的图像压缩方法，基于神经网络的图像压缩感知及重建算法能够获得更高的压缩比。

压缩感知是什么呢？如何找到发现合适的压缩感知测量矩阵？压缩感知和人工智能都是当下很热很热的研究课题。

不过许多论文数学论述高深莫测，加之一大堆各种千奇百怪的数学符号，不仅让人望而生畏，望而却步。

笔者对希望用形象的比喻把问题大致轮廓讲清楚就好。

所谓压缩感知是什么呢，根据笔者个人的理解，就是信号变换，这个变换不是随便找的，而是要满足一定条件。

什么条件呢？讲个故事吧。

比如牛郎和织女由于几千年来每年两人只能在鹊桥上会一面，也一直没能留下一儿半女，牛郎和对门的潘银莲暗生情愫，准备纳为二房。

按照天法规定，纳二房必须要通知大房老婆，否则二房只能算小三，没有法律保护。

本来牛郎想等到七月初七再跟织女说，但小潘怎么也等不及了，催着牛郎赶紧把这事给办了，否则就跟净坛使者走了。

没办法，牛郎抓耳挠腮之下，想到一个办法，委托律师写律师函给织女，用DHL快递过去，把问题讲清楚，也算是给小潘一个交代吧。

织女这边，虽然收到了信，奈何织女文化程度不高，大部分字都不认识，无法完整地理解信上说的内容。

好在隔壁住的是雅典娜，娜可是出了名的智慧女神，在网上花了半年就会认识中国字了，再翻译给织女听。

%@#$%">这里那封律师函就相当于信号，不管你懂与不懂，信（号）就在这里，不会改变。

雅典娜算是变换1，这半年还是费时间啊。

让我们假设一下，织女收到信后，并没有找雅典娜，而是遇到了扎克伯格，没错就是google的大Boss，小扎说这有什么难的，来我帮你翻译，随即掏出手机，点开有道词典app（对，你没看错，就是网易的有道词典），啪，对着信拍了一张照片，通过拍照翻译把内容翻译成英文，再用中文讲给织女听了。

你知道的，小扎娶了华裔姑娘做老婆，会讲中文，不过中文字还是理解困难。

那这里小扎这个变换Z加上有道词典的变换Y，变换2=Z*Y，显然变换2要比变换1省时间的多。

压缩感知就是这么一个东东，对于信号（信号所包含信息是不变的），如果遇到一个不那。

基于卷积神经网络的压缩感知重构算法基于卷积神经网络的压缩感知重构算法摘要：随着信息化时代的发展，人们对于高效传输和存储海量数据的需求不断增长。

然而，数据量大幅增加导致的存储和传输问题使得数据压缩成为一项关键技术。

在压缩感知领域中，重构算法被广泛应用于压缩数据的恢复中。

本文提出了一种基于卷积神经网络的压缩感知重构算法，用于高效恢复压缩数据。

一、引言随着大数据时代的来临，由于传感器技术和数据采集能力的迅速发展，数据量呈爆发式增长。

传统的压缩方法无法满足高效传输和存储的需求，压缩感知技术应运而生。

压缩感知通过获取原始数据的稀疏表达，以极低的采样率实现高质量的数据重构。

重构算法是压缩感知的核心，它能够高效地从采样数据中恢复出原始数据。

二、压缩感知重构算法的传统方法在传统的压缩感知重构算法中，主要采用的是优化算法和稀疏表达模型。

优化算法通常包括基于迭代收缩和阈值方法的重建算法，如正交匹配追踪（OMP）和模拟退火算法（SA）。

这类方法能够通过不断逼近最优结果，从而实现较好的重构效果。

稀疏表达模型主要包括基于小波变换的重建方法，如基于小波包（Wavelet Packet）和基于稀疏表示的压缩感知（CS-SSR）。

这些方法通过将原始数据变换到稀疏域，从而实现数据的高效压缩和重构。

然而，传统的压缩感知重构算法存在着一些问题。

首先，优化算法在高维数据重构中计算复杂度较高，时间开销较大。

其次，稀疏表达模型需要对原始数据进行变换，会引入一定的信息损失。

因此，为了提高重构算法的效率和准确性，本文引入了卷积神经网络。

三、基于卷积神经网络的压缩感知重构算法卷积神经网络（Convolutional Neural Network，CNN）是一种由多个卷积层和池化层组成的神经网络模型。

其通过模拟人脑的感知机制，能够实现对于输入数据的高级特征提取和学习。

基于CNN的压缩感知重构算法通过将原始数据输入到神经网络中，利用网络的学习能力直接从采样数据中恢复出原始数据。