1.一种压缩感知重构方法，其特征在于，包括：通过预置随机高斯矩阵对预置初始信号进行压缩采样，得到初始测量信号，所述初始测量信号服从预置高斯概率分布；

基于预置映射函数，根据所述预置高斯概率分布对所述初始测量信号进行映射操作，得到映射测量信号，所述预置映射函数为：z＝tanh[α(y‑U)]；

其中，z为所述映射测量信号，y为所述初始测量信号，α为tanh函数的收敛因子，U为所述预置高斯概率分布的均值；

将所述映射测量信号采用预置量化算法进行量化处理，得到量化测量信号；

通过预置神经网络模型对所述量化测量信号进行自适应重构训练，得到重构信号。

2.根据权利要求1所述的压缩感知重构方法，其特征在于，所述通过预置随机高斯矩阵对预置初始信号进行压缩采样，得到初始测量信号，之前还包括：采用预置映射算法对原始信号进行预处理操作，得到所述预置初始信号。

3.根据权利要求2所述的压缩感知重构方法，其特征在于，所述通过预置神经网络模型对所述量化测量信号进行自适应重构训练，得到重构信号，之后还包括：对所述重构信号进行去预处理操作，得到与所述原始信号的数据形式一致的目标信号。

4.根据权利要求1所述的压缩感知重构方法，其特征在于，所述预置量化算法包括均匀量化算法和非均匀量化算法。

5.一种压缩感知重构装置，其特征在于，包括：采样模块，用于通过预置随机高斯矩阵对预置初始信号进行压缩采样，得到初始测量信号，所述初始测量信号服从预置高斯概率分布；

映射模块，用于基于预置映射函数，根据所述预置高斯概率分布对所述初始测量信号进行映射操作，得到映射测量信号，所述预置映射函数为：z＝tanh[α(y‑U)]；

其中，z为所述映射测量信号，y为所述初始测量信号，α为tanh函数的收敛因子，U为所述预置高斯概率分布的均值；

量化模块，用于将所述映射测量信号采用预置量化算法进行量化处理，得到量化测量信号；

重构模块，用于通过预置神经网络模型对所述量化测量信号进行自适应重构训练，得到重构信号。

6.根据权利要求5所述的压缩感知重构装置，其特征在于，还包括：预处理模块，用于采用预置映射算法对原始信号进行预处理操作，得到所述预置初始信号。

7.根据权利要求6所述的压缩感知重构装置，其特征在于，还包括：去预处理模块，用于对所述重构信号进行去预处理操作，得到与所述原始信号的数据形式一致的目标信号。

8.根据权利要求5所述的压缩感知重构装置，其特征在于，所述预置量化算法包括均匀量化算法和非均匀量化算法 。