一种基于多尺度特征网络的压缩感知ToF信号重建方法

本发明涉及中子物理实验，具体而言，涉及一种基于多尺度特征网络的压缩感知tof信号重建方法。

背景技术：

1、中子飞行时间测量(time-of-flight,tof)方法是中子物理实验研究工作中使用的重要实验技术之一，如何准确获取核信号是飞行时间测量精度的关键。目前主要使用波形数字采样(waveform digitizer,wfd)来获取核信号，但随着中子能量的增加，要求探测器信号宽度越小，根据nyquist采样定理可知，对应要求模/数转换器(analog to digitalconverter,adc)的采样率越高，面临着高功耗和高成本的严峻问题；同时高采样率adc下获得的大量数据，给数据传输、存储和处理也带来了巨大压力。

2、由candès和陶哲轩等人提出的压缩感知(compressed sensing,cs)理论从数学上证明，当信号在某一变换域中表现出稀疏性或者近似稀疏性时，则可以将其投影到与其变换域不相关的测量矩阵上，所需的测量数可以远低于奈奎斯特采样定理规定的采样率。使用该方法获取核信号可以有效降低数据的压缩和存储成本，也极大地便利了数据的传输。该理论一经提出就在无线通信、雷达和医疗成像等领域受到了高度关注，也为一系列核数据处理和获取提供了新方法。在基于压缩感知的核信号获取中，国内中国科学技术大学的黄锡汝博士完成了核信号的压缩采样方法研究，首次提出了“随机解调器+nesta算法+gabor框架“的核信号压缩采样方法，并通过仿真验证了算法的可行性[1]。但该方法中nesta算法运算时间较长；对称性gabor过完备原子库对核信号的稀疏性表达有待提高，因此对核信号的重构精度和时间也有待提高。

3、对于传统压缩感知重构算法，重构的过程是解一个欠定线性方程组，该方程组中未知数的数量比方程的数量多，通常需要添加正则约束，以解决不存在唯一解的问题，而在某些条件下该欠定方程组有稀疏解。为了求解该问题，往往基于稀疏先验知识，通过最优化方法求解该问题实现信号的重构，不同的求解方法演变出了不同的重构算法。目前常用的传统压缩感知重构算法主要为基追踪(basic prusuit,bp)、正交匹配追踪(orthogonalmatching pursuit,omp)和迭代阈值算法及其变种算法。上述传统压缩感知重构方法，利用稀疏先验知识，将欠定问题转换为带约束的优化问题，通过迭代式方法求解该优化问题。

4、上述传统压缩感知重构算法在重构时，基于信号的稀疏先验知识对原问题的数学解空间进行了合理的假设和限制，这也限制了传统重构算法的信号重构质量的上限。另一方面，传统的稀疏正则化方法利用率信号梯度域、小波域或其他变换域，然而，由于这些正则化方法不能很好地捕捉到复杂的信号稀疏性，往往导致在低采样率下的重建精度下降。最后一方面是由于传统重构算法采用多次迭代的方式求解优化问题，随着信号帧长的增加，优化问题的解空间维数增加，因此求解算法的耗时就越久。

技术实现思路

1、本发明在于提供一种基于多尺度特征网络的压缩感知tof信号重建方法，其能够解决上述问题。

2、本发明采取的技术方案如下：

3、一种基于多尺度特征网络的压缩感知tof信号重建方法，包括：

4、构建训练模型，训练模型包括采样模块、初始重建模块和最终重建模块；

5、采样模块为多采样率并行训练的网络，用于使用预定义的参数匹配不同采样率下的三个连续的一维卷积操作，对原始tof信号进行压缩处理，从而得到对应的测量值，且在每轮的batch块训练阶段，均随机选取预定义的采样率进行学习；

6、初始重建模块用于利用卷积对测量值进行维度重塑，变成和原始tof信号相同维度的初始重建tof信号；

7、最终重建模块用于通过不同滤波器大小的卷积块组成的inception模块和lstm模块对初始重建tof信号进行学习，得到最终重建的tof信号。

8、在本发明的一较佳实施方式中，原始tof信号包括1024个采样点。

9、在本发明的一较佳实施方式中，通过采样模块得到对应的测量值的方法具体包括：

10、将原始tof信号输入采样模块的第一个卷积层，其卷积核大小为1×4，步长为4，输入通道为1，输出通道为round(64×采样率)，输出得到维度为(round(64×采样率)×1×256)的第一特征图；

11、再将第一特征图输入采样模块的第二个卷积层，其卷积核大小为1×4，步长为4，输入通道为round(64×采样率)，输出得到维度为round(64×采样率)×1×64的第二特征图；

12、最后将第二特征图输入采样模块的第三个卷积层，其卷积核大小为1×4，步长为4，输入通道为round(64×采样率)，输出通道为round(64×采样率)，输出得到维度为round(64×采样率)×1×16的第三特征图，得到的第三特征图即为最终输出的测量信号；

13、每轮batch块的采样率均在预定义的采样率中随机选取，最终输出的测量信号即为测量值。

14、在本发明的一较佳实施方式中，预定义的采样率包括0.01，0.4，0.1，0.25和0.5，根据传入采样模块的采样率匹配对应的参数进行训练，实现不同采样率的并行训练，即预先设置不同采样率下采样模块中的卷积层的通道数，采样率为0.01，0.4，0.1，0.25和0.5对应的卷积输出通道数分别为1，3，6，16，32，对应后即能得到不同采样率下的测量值，每轮不同batch训练时，都会重新在预设的采样率中随机选取进行训练。

15、在本发明的一较佳实施方式中，通过初始重建模块得到初始重建tof信号的方法具体包括：

16、将测量值经过初始重建模块的一个卷积核为1×1，步长为1，输入通道为round(64×采样率)，输出通道为64的卷积层，得到维度为64×1×16的第四特征图，随后通过leakyrelu激活函数层进行处理，得到初始重构信号；

17、对初始重构信号进行重塑，得到维度为1×1×1024的第五特征图，即初始重建tof信号。

18、在本发明的一较佳实施方式中，通过最终重建模块得到最终重建的tof信号的方法具体包括：

19、将初始重建tof信号输入最终重建模块中inception模块的一个卷积核为1×1，步长为1，输入通道为1，输出通道为32的卷积层，输出得到维度为32×1×1024的一条初始卷积线，即第一卷积线；

20、将第一卷积线输入最终重建模块中inception模块的一个卷积核为1×3，步长为1，输入通道为1，输出通道为32的卷积层，输出得到维度为32×1×1024的第二卷积线；

21、将第二卷积线输入最终重建模块中inception模块的一个卷积核为1×3，步长为1，输入通道为1，输出通道为32的卷积层，输出得到维度为32×1×1024的第三卷积线；

22、将第一卷积线输入最终重建模块中inception模块的一个卷积核为1×5，步长为1，输入通道为1，输出通道为32的卷积层，输出得到维度为32×1×1024的第四卷积线；

23、将第一卷积线输入最终重建模块中inception模块的一个卷积核为1×5，步长为1，输入通道为1，输出通道为32的卷积层，输出得到维度为32×1×1024的第五卷积线；

24、将第一卷积线输入最终重建模块中inception模块的平均池化线，之后通过最终重建模块中inception模块的一个卷积核为1×3的平均池化，然后再通过一个卷积核为1×1，步长为1，输入通道为32，输出通道为32的卷积层，输出得到维度为32×1×1024的平均池化线；

25、整合第一卷积线、第二卷积线、第三卷积线、第四卷积线、第五卷积线和平均池化线，得到维度为192×1×1024的第六特征图；

26、将第六特征图输入最终重建模块的卷积核为1×1，步长为1，进行零填充，输入通道数为192，输出通道数为1的卷积层，再通过leakyrelu激活函数进行处理，得到维度为1×1×1024的第七特征图；

27、将第七特征图输入最终重建模块的lstm层，再通过tanh激活函数层处理，得到维度为1×1×250的第八特征图；

28、将第八特征图输入最终重建模块的线性层，通过线性映射得到维度为1024的第九特征图；

29、对第九特征图进行重塑，将其维度变换为1×1×1024，即得到最终重建的tof信号。

30、在本发明的一较佳实施方式中，inception块的4条并行的卷积线分别对应一个卷积层，且该4个卷积层的卷积核大小分别为1×3，1×5，1×7，(1×3，1×3)，该4个卷积层的步长均为1，进行零填充，保持输入信号维度不变，输入通道为32，输出通道为32，4条并行的卷积线均添加了残差连接；

31、inception块的平均池化线对特征图大小为32×1×1024的初始卷积信号线进行卷积核大小为1×3的平均池化，然后再采用输入和输出通道均为32，卷积核为1×1，步长为1，进行零填充，得到维度为32×1×1024的特征图，该特征图为平均池化线提取的信号特征；

32、在获得了4条卷积线，1条初始卷积信号线和1条平均池化线的输出之后，进行特征图的拼接，从而得到维度为192×1×1024的特征图。

33、与现有技术相比，本发明的有益效果是：

34、对原始tof信号进行了压缩，减少使用传统wfd方法中传输模块的数据量，继而间接减少能耗；

35、采样模块通过分别对预设的采样率分别设置了对应通道数的卷积层，满足多采样率并行训练的条件，在预设的采样率中随机选取进行训练，仅需一次训练，就可得到所有采样率的结果，减少了分别训练的时间；

36、通过卷积层替代传统压缩感知方法中的测量矩阵，消除了传统方法中基于信号先验知识捕捉信息不足的局限；

37、通过不同滤波器大小的卷积块组成的inception模块与lstm模块对初始重建信号进行学习，可以对不同尺度大小的信号特征进行学习训练；

38、采样模块使用预定义的参数匹配不同采样率下的三个连续的一维卷积操作，从而得到对应的测量值，在每轮的batch块训练阶段，都会随机选取预定义的采样率进行学习，因此在大量数据的基础上，一轮训练即可对不同采样率分别学习，由数据驱动网络学习数据的隐含规律(不使用任何信号的先验知识)，实现信号的重构，达到在低采样率下比传统压缩感知方法更好的重构结果(压缩率、重构精度、重构成功率)，同时缓解信号重构时间随信号帧长的增加而大幅上升的问题。

39、为使本发明的上述目的、特征和优点能更明显易懂，下文特举本发明实施例，并配合所附附图，作详细说明如下。