1.一种基于斯特拉森算法的半张量积压缩感知方法，其特征在于，所述压缩感知方法包括以下步骤：

S1，获取多组用于产生频域稀疏的完整信号以及信号长度、采样频率，分别计算它们的信号稀疏度；

S2，根据测量率和信号长度获取各组信号所对应的哈达玛矩阵和高斯随机矩阵，作为各组信号的测量矩阵分别进行记录；M*N维的测量矩阵与变换矩阵不相关，且M远小于N；

S3，采用测量矩阵对稀疏化表示的信号进行线性投影，利用斯特拉森算法，得到线性测量值y；

S4，利用重构算法对线性测量值y进行处理以重构出原自然信号x。

2.根据权利要求1所述的基于斯特拉森算法的半张量积压缩感知方法，其特征在于，步骤S2中，根据测量率和信号长度获取各组信号所对应的哈达玛矩阵和高斯随机矩阵，作为各组信号的测量矩阵分别进行记录的过程包括以下步骤：令一个M*N维矩阵Φ中的每个元素Φij满足均值为0、差为1/√M的独立正态分布，即Φ～N(0,1/M)，构建高斯随机矩阵；

建立一个N*N维的哈达玛矩阵矩阵，它是以阶数为2的整数倍的正交方阵，仅由+1和‑1构成，从N*N维的哈达玛矩阵矩阵中任意抽出M行构成一个新的矩阵，定义为部分哈达玛矩阵矩阵；

将高斯随机矩阵和部分哈达玛矩阵矩阵作为测量矩阵的两种类型代入进行统一计算，但不进行不同类型测量矩阵间的对比。

3.根据权利要求1或者2所述的基于斯特拉森算法的半张量积压缩感知方法，其特征在于，步骤S3中，利用斯特拉森算法，得到线性测量值y的过程包括以下步骤：根据信号长度，利用三角函数生成频域或DCT域离散信号，获得离散余弦变换正交基、傅里叶正变换频域稀疏正交基这两种正交基；

将两种正交基与哈达玛矩阵和高斯随机矩阵这两种测量矩阵分别相乘获得线性测量值；

其中，两种矩阵的乘法运用斯特拉森矩阵算法。

4.根据权利要求3所述的基于斯特拉森算法的半张量积压缩感知方法，其特征在于，所述将两种正交基与哈达玛矩阵和高斯随机矩阵这两种测量矩阵分别相乘获得线性测量值的过程包括以下步骤：

S311，判断测量矩阵的维数是否小于等于2，若是，则进行正常的矩阵乘法运算；否则，进入步骤S312；

S312将测量矩阵和正交基矩阵都当成2*2矩阵来看，每个元素就是一个(n/2)*(n/2)的矩阵，测量矩阵和正交基矩阵的乘积写成：S313，利用斯特拉森方法得到7个小矩阵，分别为：M1＝(A12‑A22)*(B21+B22)M2＝(A11‑A22)*(B11+B22)M3＝(A21‑A11)*(B11+B12)M4＝(A11‑A12)*B22M5＝A11*(B12‑B22)M6＝A22*(B21‑B11)M7＝(A21+A22)*B11其中，如果运算过程中涉及到乘法，则对划分得到的小矩阵再次进行斯特拉森矩阵乘法递归处理；

S314，根据下述公式计算得出恢复矩阵的四个矩阵元素：C11＝M1+M2+M6‑M4C12＝M4+M5

C21＝M6+M7

C22＝M2+M3+M5‑M7；

S315，将上述四个矩阵元素计算结果合并得出最终线性测量值矩阵。

5.根据权利要求4所述的基于斯特拉森算法的半张量积压缩感知方法，其特征在于，由T(n)所得的递归公式是：

式中，T(n)表示斯特拉森分治运算法所需时间，因为大的矩阵会被递归分成小矩阵直到每个矩阵的大小小于或等于k，T(n)的递归表达式为：2

式中，b和d为两个常数，n为矩阵维度；dn 表示完成18次(n/2)(n/2)接矩阵的加减法，以及把大小为N的矩阵分割成小矩阵所需的时间。

6.根据权利要求1所述的基于斯特拉森算法的半张量积压缩感知方法，其特征在于，步骤S4中，利用重构算法对线性测量值y进行处理以重构出原自然信号x的过程包括以下步骤：

S41，将信号x稀疏表示为：x＝Ψs，y＝Φx＝ΦΨs＝Θs；求解稀疏系数s；其中，Ψ为稀疏矩阵，Φ是测量矩阵，s为稀疏系数，Θ为Φ与Ψ的乘积；

S42，利用所求的稀疏度，确定重构算法的迭代次数；确定待重构的谱域向量；

S43，初始化增量矩阵，设初值为空矩阵；初始化残差值，设初值为s＝Phi*x.'获得的线性测量矩阵；其中，Phi为测量矩阵，x为原始信号，s为稀疏系数；

S44，基于迭代次数，获取恢复矩阵的各个列向量与残差的投影系数的乘积，即内积值；

S45，获得最大投影系数对应的位置，找到一个其标记看上去与收集到的数据相关的原子；

S46，扩充增量矩阵，并将选中的列置为0，在数据中去除这个标记的所有印迹；

S47，对增量矩阵进行最小二乘算法，使得残差最小，将所得结果与增量矩阵相乘得到残差，再记录最大投影系数的位置；

S48，获得重构的谱域向量，进行傅里叶变换重构得到时域信号；

S49，将恢复所得信号与原始信号进行对比，获取重构误差。