Compressive sensing (CS) can greatly reduce the number of sampling points of signals, and therefore it is widely adopted in ultrawideband (UWB) sensor systems. However, how to reconstruct the sensing signal from the compressed signal accurately is still an open problem because original signals do not always satisfy the sparse hypothesis that is required in CS. Typically, an appropriate CS reconstruction algorithm should be designed for a particular scenario, such as signal encoding, optical imaging, and soil dynamic monitoring, etc. Unfortunately, soil data is susceptible to climatic factors, which leads to unsatisfactory performance of traditional reconstruction algorithms. To improve the accuracy of CS reconstruction for volatile signals as UWB soil echoes, we propose a novel deep learning (DL) based CS algorithm, named select-first-decide-later CS (SFDLCS) for UWB sensor signal reconstruction. In this algorithm, a search network is designed to perform the nonlinear mapping from compressed residuals to nonzero elements in sensor signal, and a decision network is designed to characterize the distribution of UWB signals. These two networks form a “select first, decide later” structure, which greatly improves the accuracy of signal reconstruction by utilizing the correlation of nonzero elements of the sensor signal. The effectiveness of this SFDLCS is demonstrated based on measured UWB soil data acquired by a P440 UWB sensor. Compared with traditional reconstruction algorithms, the proposed algorithm achieves both lower reconstruction error and stronger robustness in the noisy environment.

中文翻译：

---

基于深度学习的超宽带信号重构压缩感知

压缩传感（CS）可以大大减少信号的采样点数，因此被广泛应用于超宽带（UWB）传感器系统中。然而，如何从压缩信号中准确地重构感知信号仍然是一个悬而未决的问题，因为原始信号并不总是满足 CS 中所需的稀疏假设。通常，应该针对特定场景设计合适的CS重建算法，例如信号编码、光学成像和土壤动态监测等。不幸的是，土壤数据易受气候因素的影响，导致传统重建算法的性能不尽如人意。为了提高对作为 UWB 土壤回波的挥发性信号进行 CS 重建的准确性，我们提出了一种新的基于深度学习 (DL) 的 CS 算法，命名为 select-first-decide-later CS (SFDLCS) 用于 UWB 传感器信号重建。在该算法中，设计了一个搜索网络来执行从压缩残差到传感器信号中非零元素的非线性映射，并设计了一个决策网络来表征超宽带信号的分布。这两个网络形成了“先选择，后决定”的结构，利用传感器信号中非零元素的相关性，大大提高了信号重构的准确性。该 SFDLCS 的有效性基于 P440 UWB 传感器获取的测量的 UWB 土壤数据得到证明。与传统的重构算法相比，该算法在噪声环境中实现了更低的重构误差和更强的鲁棒性。搜索网络被设计用于执行从压缩残差到传感器信号中非零元素的非线性映射，并且决策网络被设计用于表征超宽带信号的分布。这两个网络形成了“先选择，后决定”的结构，利用传感器信号中非零元素的相关性，大大提高了信号重构的准确性。该 SFDLCS 的有效性基于 P440 UWB 传感器获取的测量的 UWB 土壤数据得到证明。与传统的重构算法相比，该算法在噪声环境中实现了更低的重构误差和更强的鲁棒性。搜索网络被设计用于执行从压缩残差到传感器信号中非零元素的非线性映射，并且决策网络被设计用于表征超宽带信号的分布。这两个网络形成了“先选择，后决定”的结构，利用传感器信号中非零元素的相关性，大大提高了信号重构的准确性。该 SFDLCS 的有效性基于 P440 UWB 传感器获取的测量的 UWB 土壤数据得到证明。与传统的重构算法相比，该算法在噪声环境中实现了更低的重构误差和更强的鲁棒性。并且设计了一个决策网络来表征 UWB 信号的分布。这两个网络形成了“先选择，后决定”的结构，利用传感器信号中非零元素的相关性，大大提高了信号重构的准确性。该 SFDLCS 的有效性基于 P440 UWB 传感器获取的测量的 UWB 土壤数据得到证明。与传统的重构算法相比，该算法在噪声环境中实现了更低的重构误差和更强的鲁棒性。并且设计了一个决策网络来表征 UWB 信号的分布。这两个网络形成了“先选择，后决定”的结构，利用传感器信号中非零元素的相关性，大大提高了信号重构的准确性。该 SFDLCS 的有效性基于 P440 UWB 传感器获取的测量的 UWB 土壤数据得到证明。与传统的重构算法相比，该算法在噪声环境中实现了更低的重构误差和更强的鲁棒性。该 SFDLCS 的有效性基于 P440 UWB 传感器获取的测量的 UWB 土壤数据得到证明。与传统的重构算法相比，该算法在噪声环境中实现了更低的重构误差和更强的鲁棒性。该 SFDLCS 的有效性基于 P440 UWB 传感器获取的测量的 UWB 土壤数据得到证明。与传统的重构算法相比，该算法在噪声环境中实现了更低的重构误差和更强的鲁棒性。