本發(fā)明涉及超聲相控陣信號(hào)壓縮領(lǐng)域，尤其涉及一種基于正交匹配追蹤的相控陣超聲信號(hào)壓縮方法。
背景技術(shù)：
：：超聲相控陣是近幾年廣泛應(yīng)用于工業(yè)無(wú)損檢測(cè)的新技術(shù)，相比傳統(tǒng)的單探頭超聲換能器具有聲束控制靈活、檢測(cè)速度快、成像精度高等優(yōu)點(diǎn)。通過(guò)控制各個(gè)陣元的激發(fā)延遲時(shí)間，該技術(shù)可以形成聲束偏轉(zhuǎn)和動(dòng)態(tài)聚焦，極大增加了工業(yè)檢測(cè)的靈活性，擴(kuò)展了檢測(cè)范圍，特別是在復(fù)雜形貌構(gòu)件的檢測(cè)中起到了不可替代的作用。隨著高分辨率檢測(cè)和快速檢測(cè)的需求增加，超聲相控陣檢測(cè)不斷在向多陣元一維線(xiàn)陣和二維面陣發(fā)展，也因此大大提高了數(shù)據(jù)量，對(duì)信號(hào)的采集、存儲(chǔ)、傳輸和分析都提出了新的更高的要求。因此超聲相控陣信號(hào)的數(shù)據(jù)壓縮成為研究者關(guān)注的熱點(diǎn)問(wèn)題。很多論文提出了有效的壓縮算法并將其應(yīng)用到超聲信號(hào)壓縮領(lǐng)域，其中最典型的是小波壓縮，該方法壓縮率高，壓縮性能好且重構(gòu)精度高。但小波壓縮依然是一種“后壓縮”方法，也就是說(shuō)，數(shù)據(jù)必須先完成采樣之后才能進(jìn)行壓縮。近幾年Candès，Romberg，Donoho和Tao等人[1][2][3]提出的壓縮感知(CompressedSensing)為信號(hào)壓縮打開(kāi)了一扇新的大門(mén)。根據(jù)壓縮感知理論，只要信號(hào)滿(mǎn)足稀疏特性，就能通過(guò)少量的非自適應(yīng)線(xiàn)性測(cè)量值來(lái)精確重構(gòu)原始信號(hào)。壓縮感知與傳統(tǒng)壓縮方法相比最大的突破是其可以將采樣和壓縮合二為一，直接獲得已經(jīng)壓縮的信號(hào)，意味著采樣可以不再遵循信號(hào)處理領(lǐng)域經(jīng)典的奈奎斯特定理。壓縮感知從源頭上極大的減少了數(shù)據(jù)量，降低了前端傳感器的壓力，為超聲相控陣檢測(cè)數(shù)據(jù)壓縮提供了新的可能。然而，目前壓縮感知算法在超聲成像領(lǐng)域的研究和應(yīng)用還集中在醫(yī)學(xué)超聲方面，在工業(yè)超聲無(wú)損檢測(cè)尤其是相控陣超聲方面的應(yīng)用研究還很少。技術(shù)實(shí)現(xiàn)要素：本發(fā)明提供了一種基于正交匹配追蹤的相控陣超聲信號(hào)壓縮方法，本發(fā)明在保證信號(hào)重構(gòu)精度的前提下盡可能提高壓縮率，本發(fā)明通過(guò)設(shè)置多個(gè)缺陷，使用多組信號(hào)重復(fù)試驗(yàn)來(lái)驗(yàn)證壓縮感知算法在超聲相控陣信號(hào)中的適用性，詳見(jiàn)下文描述：一種基于正交匹配追蹤的相控陣超聲信號(hào)壓縮方法，所述信號(hào)壓縮方法包括以下步驟：搭建超聲相控陣缺陷檢測(cè)系統(tǒng)，獲取經(jīng)由被測(cè)試件的缺陷位置反射的超聲回波，并提取A掃信號(hào)；采用正交基對(duì)A掃信號(hào)進(jìn)行稀疏變換，并通過(guò)計(jì)算稀疏度來(lái)選取最優(yōu)稀疏基；根據(jù)最優(yōu)稀疏基，采用正交匹配追蹤對(duì)超聲相控陣信號(hào)進(jìn)行重構(gòu)；計(jì)算不同壓縮率下的超聲相控陣信號(hào)的重構(gòu)誤差。所述超聲相控陣缺陷檢測(cè)系統(tǒng)包括：依次電連接的上位機(jī)、超聲相控陣檢測(cè)儀、以及超聲相控陣探頭。所述采用正交基對(duì)A掃信號(hào)進(jìn)行稀疏變換，并通過(guò)計(jì)算稀疏度來(lái)選取最優(yōu)稀疏基的步驟具體為：采用介于L1范數(shù)和L2范數(shù)之間的公式定量描述各稀疏變換的稀疏度；對(duì)A掃信號(hào)進(jìn)行離散傅里葉變換得到X(k)，進(jìn)行離散余弦變換得到D(k)，并計(jì)算相應(yīng)的稀疏度；使用四層分解的db6小波基對(duì)A掃信號(hào)進(jìn)行離散小波變換得到WTf(m,n)，并計(jì)算其稀疏度；使用常見(jiàn)的db,sym,bior,rbio和coif家族共54種小波基對(duì)A掃信號(hào)進(jìn)行分解，分解層數(shù)設(shè)定為2到6層，根據(jù)稀疏度計(jì)算結(jié)果選取最優(yōu)稀疏基。所述根據(jù)最優(yōu)稀疏基，采用正交匹配追蹤對(duì)超聲相控陣信號(hào)進(jìn)行重構(gòu)的步驟具體為：選擇高斯隨機(jī)矩陣為測(cè)量矩陣Φ，將最優(yōu)稀疏基記為超聲相控矩陣A掃信號(hào)表示為x，非線(xiàn)性測(cè)量值y＝Ax，A＝ΦΨ；從矩陣A中選取列向量，使其與殘差具有最高的相關(guān)性，記錄相關(guān)系數(shù)；計(jì)算當(dāng)前列向量下的最佳近似系數(shù)；迭代重復(fù)，更新殘差值，返回重構(gòu)信號(hào)。所述計(jì)算不同壓縮率下的超聲相控陣信號(hào)的重構(gòu)誤差的步驟具體為：將壓縮率定義為已壓縮的信號(hào)長(zhǎng)度與原始信號(hào)長(zhǎng)度之比；通過(guò)隨機(jī)移除部分原始信號(hào)，設(shè)定壓縮率范圍為20％～80％，每隔5％一檔，計(jì)算在不同壓縮率下的A掃信號(hào)重構(gòu)誤差。所述方法還包括：對(duì)重構(gòu)過(guò)程做多次運(yùn)算，并使用3σ評(píng)定準(zhǔn)則對(duì)結(jié)果進(jìn)行評(píng)估。本發(fā)明提供的技術(shù)方案的有益效果是：1、壓縮感知是目前信號(hào)處理和圖像處理領(lǐng)域的研究熱點(diǎn)，本發(fā)明將其應(yīng)用到超聲相控陣信號(hào)壓縮領(lǐng)域，取得了很好的效果；2、為尋找最適合超聲相控陣信號(hào)的稀疏表示，本發(fā)明中計(jì)算了2到6層分解下54種小波基的稀疏度，通過(guò)對(duì)比選擇出最佳小波基；3、本發(fā)明使用了經(jīng)典的正交匹配追蹤(OMP)算法進(jìn)行重構(gòu)，算法單次運(yùn)行時(shí)間僅為2.23秒；4、本發(fā)明使用多組缺陷信號(hào)進(jìn)行測(cè)試，當(dāng)壓縮率達(dá)到70％時(shí)，平均的百分比重構(gòu)誤差僅為3.0515％，完全滿(mǎn)足工業(yè)檢測(cè)需求。附圖說(shuō)明圖1為一種基于正交匹配追蹤的相控陣超聲信號(hào)壓縮方法的流程圖；圖2為超聲相控陣缺陷檢測(cè)系統(tǒng)的結(jié)構(gòu)示意圖；圖3為缺陷設(shè)置和編號(hào)的示意圖；圖4(a)為2號(hào)缺陷A掃信號(hào)的示意圖；圖4(b)為2號(hào)缺陷離散傅里葉變換結(jié)果的示意圖；圖4(c)為2號(hào)缺陷離散余弦變換結(jié)果的示意圖；圖4(d)為2號(hào)缺陷離散小波變換結(jié)果的示意圖；圖5為不同壓縮率下的重構(gòu)誤差結(jié)果的示意圖；圖6為壓縮率70％時(shí)重構(gòu)信號(hào)和原信號(hào)對(duì)比圖；圖7為壓縮率70％時(shí)100次重構(gòu)的散點(diǎn)分布圖。具體實(shí)施方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面對(duì)本發(fā)明實(shí)施方式作進(jìn)一步地詳細(xì)描述。實(shí)施例1一種基于正交匹配追蹤的相控陣超聲信號(hào)壓縮方法，參見(jiàn)圖1，該信號(hào)壓縮方法包括以下步驟：101：搭建超聲相控陣缺陷檢測(cè)系統(tǒng)，獲取經(jīng)由被測(cè)試件的缺陷位置反射的超聲回波，并提取A掃信號(hào)；102：采用正交基對(duì)A掃信號(hào)進(jìn)行稀疏變換，并通過(guò)計(jì)算稀疏度來(lái)選取最優(yōu)稀疏基；103：根據(jù)最優(yōu)稀疏基，采用正交匹配追蹤對(duì)超聲相控陣信號(hào)進(jìn)行重構(gòu)；104：計(jì)算不同壓縮率下的超聲相控陣信號(hào)的重構(gòu)誤差。參見(jiàn)圖2，該超聲相控陣缺陷檢測(cè)系統(tǒng)包括：依次電連接的上位機(jī)1、超聲相控陣檢測(cè)儀2、以及超聲相控陣探頭3。其中，步驟102中的采用正交基對(duì)A掃信號(hào)進(jìn)行稀疏變換，并通過(guò)計(jì)算稀疏度來(lái)選取最優(yōu)稀疏基的步驟具體為：采用介于L1范數(shù)和L2范數(shù)之間的公式定量描述各稀疏變換的稀疏度；對(duì)A掃信號(hào)進(jìn)行離散傅里葉變換得到X(k)，進(jìn)行離散余弦變換得到D(k)，并計(jì)算相應(yīng)的稀疏度；使用四層分解的db6小波基對(duì)A掃信號(hào)進(jìn)行離散小波變換得到WTf(m,n)，并計(jì)算其稀疏度；使用常見(jiàn)的db,sym,bior,rbio和coif家族共54種小波基對(duì)A掃信號(hào)進(jìn)行分解，分解層數(shù)設(shè)定為2到6層，根據(jù)稀疏度計(jì)算結(jié)果選取最優(yōu)稀疏基。其中，步驟103中的根據(jù)最優(yōu)稀疏基，采用正交匹配追蹤對(duì)超聲相控陣信號(hào)進(jìn)行重構(gòu)的步驟具體為：選擇高斯隨機(jī)矩陣為測(cè)量矩陣Φ，將最優(yōu)稀疏基記為超聲相控矩陣A掃信號(hào)表示為x，非線(xiàn)性測(cè)量值y＝Ax，A＝ΦΨ；從矩陣A中選取列向量，使其與殘差具有最高的相關(guān)性，記錄相關(guān)系數(shù)；計(jì)算當(dāng)前列向量下的最佳近似系數(shù)；迭代重復(fù)，更新殘差值，返回重構(gòu)信號(hào)。其中，步驟104中的計(jì)算不同壓縮率下的超聲相控陣信號(hào)的重構(gòu)誤差的步驟具體為：將壓縮率定義為已壓縮的信號(hào)長(zhǎng)度與原始信號(hào)長(zhǎng)度之比；通過(guò)隨機(jī)移除部分原始信號(hào)，設(shè)定壓縮率范圍為20％～80％，每隔5％一檔，計(jì)算在不同壓縮率下的A掃信號(hào)重構(gòu)誤差。為了提高本方法的精度，所述方法在步驟104之后還包括：對(duì)重構(gòu)過(guò)程做多次運(yùn)算，并使用3σ評(píng)定準(zhǔn)則對(duì)結(jié)果進(jìn)行評(píng)估。綜上所述，本發(fā)明實(shí)施例在保證信號(hào)重構(gòu)精度的前提下盡可能提高壓縮率，本發(fā)明實(shí)施例通過(guò)設(shè)置多個(gè)缺陷，使用多組信號(hào)重復(fù)試驗(yàn)來(lái)驗(yàn)證壓縮感知算法在超聲相控陣信號(hào)中的適用性。實(shí)施例2下面結(jié)合具體的計(jì)算公式、實(shí)例對(duì)實(shí)施例1中的方案進(jìn)行詳細(xì)介紹，詳見(jiàn)下文描述：201：搭建超聲相控陣缺陷檢測(cè)系統(tǒng)，獲取經(jīng)由被測(cè)試件4的缺陷位置反射的超聲回波，并提取A掃信號(hào)；該步驟的詳細(xì)操作為：1)搭建超聲相控陣缺陷檢測(cè)系統(tǒng)，該系統(tǒng)包括：上位機(jī)1、超聲相控陣檢測(cè)儀2、超聲相控陣探頭3和被測(cè)試件4，檢測(cè)系統(tǒng)如圖2所示，缺陷設(shè)置和編號(hào)如圖3所示。2)首先在被測(cè)試件4的表面涂抹耦合劑，所有缺陷檢測(cè)完畢，提取各缺陷位置的A掃信號(hào)進(jìn)行數(shù)據(jù)處理。為了提高檢測(cè)覆蓋面，本發(fā)明實(shí)施例采用扇形掃查方式進(jìn)行缺陷檢測(cè)，采樣頻率為100MHz。本發(fā)明實(shí)施例是以M2M公司的MULTI2000型號(hào)的超聲相控陣檢測(cè)儀2、36度樹(shù)脂玻璃楔塊的超聲相控陣探頭3為例進(jìn)行說(shuō)明。具體實(shí)現(xiàn)時(shí)，本發(fā)明實(shí)施例對(duì)超聲相控陣檢測(cè)儀2、超聲相控陣探頭3的型號(hào)不做限制，只要能完成上述功能的器件均可。202：采用正交基對(duì)A掃信號(hào)進(jìn)行稀疏變換，并通過(guò)計(jì)算稀疏度來(lái)選取最優(yōu)稀疏基；壓縮傳感算法中一個(gè)重要的先驗(yàn)條件是信號(hào)要有稀疏性，因此本步驟采取常見(jiàn)的正交基對(duì)A掃信號(hào)進(jìn)行稀疏變換，并通過(guò)計(jì)算稀疏度來(lái)選取最優(yōu)稀疏基，該步驟的詳細(xì)操作為：1)信號(hào)稀疏度的定義是經(jīng)某種變換后非零元素的個(gè)數(shù)，但在實(shí)際的應(yīng)用中，經(jīng)過(guò)變換后有很多系數(shù)接近0但并不為0，所以需要選擇一種方式來(lái)定量表示信號(hào)的稀疏度，本發(fā)明實(shí)施例選擇一種介于L1范數(shù)和L2范數(shù)之間的公式來(lái)定量描述各稀疏變換的稀疏度：本發(fā)明實(shí)施例中，N均表示信號(hào)的長(zhǎng)度，θi是變換后的各系數(shù)。2)對(duì)所選A掃信號(hào)x(n)進(jìn)行離散傅里葉變換得到X(k)，并計(jì)算其稀疏度。WN＝e-j2π/N3)對(duì)x(n)進(jìn)行離散余弦變換得到D(k)，并計(jì)算其稀疏度。4)使用四層分解的db6小波基對(duì)x(n)進(jìn)行離散小波變換得到WTf(m,n)，并計(jì)算其稀疏度。其中，離散小波變換可以通過(guò)離散化連續(xù)小波中的尺度參數(shù)a和平移參數(shù)b得到。取a0、b0為初始系數(shù)，一般取a0>1、b0>0；m、n分別為尺度因子和平移因子；Z為整數(shù)集。由小波基函數(shù)得到ψm,n(t)＝|a0|-m/2ψ(a0-mt-nb0)，為母小波。相應(yīng)的離散小波變換為：其中，ψ*(a0-mt-nb0)為由母小波生成的小波函數(shù)；*為共軛符號(hào)。5)小波變換的結(jié)果隨著小波基和分解層數(shù)的不同而不同，選取常見(jiàn)的db,sym,bior,rbio和coif家族共54種小波基對(duì)2)中A掃信號(hào)進(jìn)行分解，分解層數(shù)設(shè)定為2到6層，根據(jù)稀疏度計(jì)算結(jié)果選取最佳稀疏基。203：采用正交匹配追蹤對(duì)超聲相控陣信號(hào)進(jìn)行重構(gòu)；壓縮感知中，信號(hào)能夠精確、快速的重構(gòu)是保證該算法成功應(yīng)用的根本。研究者已經(jīng)嘗試了很多種重構(gòu)方法，其中正交匹配追蹤(OMP)算法由于具有精度高、速度快、復(fù)雜度低等優(yōu)點(diǎn)被廣泛采用，本發(fā)明實(shí)施例使用OMP算法對(duì)超聲相控陣信號(hào)進(jìn)行重構(gòu)，該步驟的詳細(xì)操作為：1)選擇高斯隨機(jī)矩陣為測(cè)量矩陣選擇上述分析得出的最優(yōu)稀疏基記為超聲相控矩陣A掃信號(hào)表示為x，其非線(xiàn)性測(cè)量值y＝Ax，其中A＝ΦΨ。2)初始化：令索引集殘差值r0＝y(tǒng)，迭代計(jì)數(shù)k＝1；為空集。3)搜索識(shí)別：從矩陣A中選取列向量an，使其與殘差具有最高的相關(guān)性，記錄相關(guān)系數(shù)nk：Ωk＝Ωk-1∪{nk}其中，<rk-1,an>為當(dāng)前殘差rk-1與列向量an的內(nèi)積；Ωk-1為之前的索引集；Ωk為新的索引集。4)參數(shù)估計(jì)：計(jì)算當(dāng)前列向量下的最佳近似系數(shù)xk：其中，為上一步選定的列向量。5)迭代重復(fù)：更新殘差值：k＝k+1，重復(fù)上述步驟3)～5)，直到滿(mǎn)足終止條件。6)當(dāng)n∈Ωk，返回重構(gòu)信號(hào)s(n)＝xk(n)，否則s(n)＝0。s即為所得重構(gòu)信號(hào)。204：計(jì)算不同壓縮率下的超聲相控陣信號(hào)重構(gòu)誤差；該步驟的詳細(xì)操作為：1)首先將壓縮率(CR)定義為已壓縮的信號(hào)長(zhǎng)度與原始信號(hào)長(zhǎng)度之比：其中，M為測(cè)量值的長(zhǎng)度。例如：如果壓縮后的信號(hào)只有原始信號(hào)長(zhǎng)度的30％，則壓縮率為70％。2)為了定量評(píng)價(jià)重構(gòu)算法的精度，本發(fā)明實(shí)施例選取百分比均方誤差(PRD)作為衡量標(biāo)準(zhǔn)：由此可知，PRD值越小，表示重構(gòu)精度越高。3)通過(guò)隨機(jī)移除部分原始信號(hào)，設(shè)定壓縮率范圍為20％～80％，每隔5％一檔，計(jì)算在不同壓縮率下的A掃信號(hào)重構(gòu)誤差。205：對(duì)重構(gòu)過(guò)程做100次運(yùn)算，并使用3σ評(píng)定準(zhǔn)則對(duì)結(jié)果進(jìn)行評(píng)估。在壓縮感知中，由于測(cè)量矩陣的隨機(jī)性，每次運(yùn)行結(jié)果會(huì)有微小的差異。針對(duì)這一問(wèn)題，本發(fā)明實(shí)施例對(duì)上述重構(gòu)過(guò)程做100次運(yùn)算，并使用3σ評(píng)定準(zhǔn)則對(duì)結(jié)果進(jìn)行評(píng)估，該步驟的詳細(xì)操作為：1)本發(fā)明實(shí)施例中使用的傳感矩陣是高斯隨機(jī)矩陣，因此符合正態(tài)分布規(guī)律，可以應(yīng)用3σ評(píng)定。本發(fā)明實(shí)施例中用μ表示100次算法運(yùn)行結(jié)果的均值，σ表示相應(yīng)的標(biāo)準(zhǔn)差。根據(jù)3σ原則，正態(tài)分布中數(shù)值分布在(μ-3σ，μ+3σ)中的概率為0.9974，可以認(rèn)為取值幾乎全部集中在這個(gè)區(qū)間內(nèi)。2)算法運(yùn)行100次后，計(jì)算平均PRD值和標(biāo)準(zhǔn)差并進(jìn)行3σ評(píng)定，驗(yàn)證算法的適用性。綜上所述，本發(fā)明實(shí)施例在保證信號(hào)重構(gòu)精度的前提下盡可能提高壓縮率，本發(fā)明實(shí)施例通過(guò)設(shè)置多個(gè)缺陷，使用多組信號(hào)重復(fù)試驗(yàn)來(lái)驗(yàn)證壓縮感知算法在超聲相控陣信號(hào)中的適用性。實(shí)施例3下面結(jié)合具體的試驗(yàn)數(shù)據(jù)對(duì)實(shí)施例1和2中的方案進(jìn)行可行性驗(yàn)證，詳見(jiàn)下文描述：本實(shí)施例中所使用的器件參數(shù)為：中心頻率為5MHz的64陣元超聲相控陣探頭，陣元中心距為0.6mm，待測(cè)試件材料為鋁，AD采樣頻率為100MHz。上位機(jī)CPU為AMDAthlonX4四核，4GB內(nèi)存，操作系統(tǒng)為Windows764bit。1)首先選取如圖4(a)所示的2號(hào)缺陷A掃信號(hào)對(duì)其進(jìn)行一系列稀疏變換，信號(hào)長(zhǎng)度N＝1024。2)對(duì)上述信號(hào)分別進(jìn)行離散傅里葉變換、離散余弦變換和離散小波變換，變換得到的結(jié)果分別如圖4(b)、(c)、(d)所示。使用步驟202中所述公式計(jì)算的稀疏度分別為0.8380、0.7881和0.8822。通過(guò)比較，很明顯小波變換的稀疏度更高。3)使用步驟202中所述其他小波基進(jìn)行稀疏分解并計(jì)算稀疏度，得到的結(jié)果表明6層分解的bior3.1小波具有最好的稀疏度，為0.9028。4)對(duì)其他五個(gè)通孔缺陷信號(hào)也應(yīng)用上述2)～3)步驟進(jìn)行分析，其中三個(gè)在6層分解的bior3.1小波具有最好的稀疏度，另外兩個(gè)在該分解下的稀疏度也很理想。為了統(tǒng)一分析，在本發(fā)明實(shí)施例中選擇6層分解的bior3.1小波作為全部超聲相控陣信號(hào)的稀疏基。5)對(duì)1)中所述信號(hào)進(jìn)行OMP重構(gòu)，測(cè)量值為M＝307，稀疏度K＝68，算法單次重構(gòu)運(yùn)行時(shí)間為2.23秒。6)按照步驟204中設(shè)定的壓縮率進(jìn)行重構(gòu)，得到如圖5所示的結(jié)果?？梢钥闯?，當(dāng)壓縮率不超過(guò)70％時(shí)，該算法的重構(gòu)誤差水平均保持在很低的位置，重構(gòu)效果良好。7)圖6所示為壓縮率70％時(shí)重構(gòu)信號(hào)和原信號(hào)對(duì)比，可以看出重構(gòu)效果非常好，基本沒(méi)有明顯誤差。8)使用1)中所述信號(hào)和OMP算法重構(gòu)100次后，得到在壓縮率為70％時(shí)的平均PRD值為3.0021％，標(biāo)準(zhǔn)差為0.2428。圖7給出CR＝70％時(shí)100次重構(gòu)的散點(diǎn)分布圖，所有結(jié)果都分布在均值上下3σ范圍內(nèi)，表示該算法具有很高的重構(gòu)精度。9)對(duì)其他缺陷信號(hào)按照上述步驟6)到步驟8)進(jìn)行計(jì)算，表1給出所有缺陷在壓縮率為70％時(shí)的重構(gòu)誤差均值和標(biāo)準(zhǔn)差，結(jié)果表明5個(gè)缺陷的重構(gòu)結(jié)果都在3σ范圍內(nèi)，且誤差均保持在很低的水平。表1.所有缺陷信號(hào)的平均PRD(％)和標(biāo)準(zhǔn)差。本發(fā)明實(shí)施例對(duì)各器件的型號(hào)除做特殊說(shuō)明的以外，其他器件的型號(hào)不做限制，只要能完成上述功能的器件均可。本領(lǐng)域技術(shù)人員可以理解附圖只是一個(gè)優(yōu)選實(shí)施例的示意圖，上述本發(fā)明實(shí)施例序號(hào)僅僅為了描述，不代表實(shí)施例的優(yōu)劣。以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。參考文獻(xiàn)[1]CandèsEJ,RombergJ,TaoT.Robustuncertaintyprinciples:exactsignalreconstructionfromhighlyincompletefrequencyinformation[J].IEEETransactionsonInformationTheory,2006；52(2):489-509.[2]CandèsEJ,RombergJK,TaoT.Stablesignalrecoveryfromincompleteandinaccuratemeasurements[J].CommunicationsonPureandAppliedMathematics,2006；59(8):1207-23.[3]DonohoDL.Compressedsensing[J].IEEETransactionsonInformationTheory,2006；52(4):1289-306。當(dāng)前第1頁(yè)1 2 3 當(dāng)前第1頁(yè)1 2 3