1.一种利用深度神经网络实现的传感器网络信号补全方法，其特征在于：所述传感器网络信号补全方法包括如下步骤：步骤1：将观测节点的信号输入并行标量量化器中，得到量化后的观测节点信号的离散输出，建立问题；

步骤2：设计图信号的插值模块；

步骤3：设计图信号量化规则模块，图信号量化规则模块采用软‑硬量化器量化；

步骤4：将步骤2得到的插值模块和步骤3得到的图信号量化规则模块进行联合训练，具体的，联合训练的步骤包括：步骤4‑1：建立基于贪婪的量化比特分配算法；

步骤4‑2：表征统计平均下的量化失真度，将ADMM展开网络用于图信号的插值模块；

步骤4‑3：根据当前量化状态选择需要更新的量化器；

步骤4‑4：完成训练后再次进行比较，

其中，所述步骤4‑2具体为：

将每个批次需要的训练数据向量[x1,x2,...]进行拼接，得到一个高维矩阵X，将矩阵并行输入步骤3设计的软‑硬量化器中，并计算量化失真度为：然后将ADMM展开网络用于图信号的插值模块，具体表示为用插值后的输出代替量化失真度中软‑硬量化器的输入，此时插值‑量化的总失真度可以表示为：其中 是需要进行插值的信号。

2.根据权利要求1所述一种利用深度神经网络实现的传感器网络信号补全方法，其特征在于：所述步骤4‑3具体为：初始的量化比特分配为全1，然后根据所述步骤4‑1中提出的贪婪算法，依次添加一个新的索引，在第k次迭代中，运算符fM(·)作用于量化比特分配，依次使用所有可选择的量化器并通过插值模块，选择总失真度降低最快的量化器作为第k次(k+1)迭代的选择结果，并输出{Mi} 。

3.根据权利要求1所述一种利用深度神经网络实现的传感器网络信号补全方法，其特征在于：所述步骤4‑4具体为：学习量化网络完成训练后，将贪婪算法设定在第K次迭代结束，比较已经使用的总量化比特数log2 M1与给定的总量化比特数log2 M0，如果M1＜M0，则基于第K次迭代的结果继续添加新的网络层数；如果M1＝M0，则将当前的量化比特分配和相应的重构网络参数作为最终结果进行输出；如果M1＞M0，则将最近的网络模块进行删除，并再次进行比较。

4.根据权利要求1所述一种利用深度神经网络实现的传感器网络信号补全方法，其特征在于：所述步骤4‑1中的基于贪婪的量化比特分配算法为：输入：拉普拉斯矩阵L，量化总比特数log2M输出：量化比特分配{Mi}

初始化：对任意 Mi＝1

当 时：

选择索引e＝maxi fM(Mi)

更新Me＝Me+1；

其中fM(·)表示在选择当前量化比特分配的情况下，新增一个量化状态数所带来的平均收益，定义为(k)

其中fM,j({Mi} )表示第k次迭代中，对{Mi}的更新操作为选择索引为j的量化器并新增(k+1),j一个量化状态数，x表示真实信号，x 表示在第k+1次迭代中，更新量化比特分配之后的量化信号

5.根据权利要求1所述一种利用深度神经网络实现的传感器网络信号补全方法，其特征在于：所述步骤3中的软‑硬量化具体为使用移位双曲切线的总和得到标量量化映射，由下式给出：其中{ai,bi,ci}是一系列实值参数，随着参数{ci}的增加，相应的双曲切线接近阶跃函数。

6.根据权利要求1所述一种利用深度神经网络实现的传感器网络信号补全方法，其特征在于：所述步骤2图信号的插值模块的设计过程包括：步骤2‑1：建立图信号插值问题为：

其中 表示图信号的去噪器，λ是一个正则化参数，表示为去噪器在目标函数中的权重；

步骤2‑2：设计一个基于DAU的可训练环路去噪器 为简化符号，将步骤2‑1中的插值问题设定为步骤2‑3：使用基于二次优化的去噪器，所述去噪器定义为：s.t.v＝Mx；

其中 表示为节点i的邻居集合；

步骤2‑4：使用基于ADMM展开的迭代算法对步骤2‑3中的去噪器进行迭代：(l+1) (l+1)

y ←NNu(Px )，

(l+1) (l+1)

z ←NNr(Qs )，

其中 是具有滤波器系数的可训练图卷积网络，滤波器系数是可训练参数，下标a表示可训练，并且NNu(·)和NNr(·)是两个包含可训练参数的全连通神经网络。

7.根据权利要求6所述一种利用深度神经网络实现的传感器网络信号补全方法，其特征在于：所述步骤2‑4迭代过程中设定损失函数为：其中 为拟定网络f(·)的输出，t是原始输入信号值。

8.根据权利要求1所述一种利用深度神经网络实现的传感器网络信号补全方法，其特征在于：所述步骤1具体包括如下步骤：步骤1‑1：定义观测信号为y＝Ψx+n，其中Ψ为对应于节点集 的观测矩阵，n是观测过程中不可避免的加性高斯噪声；

步骤1‑2：根据部分节点集 上的信息恢复 中的信号，当 上的信号为连续幅值信号时，建立如下优化问题：其中E(x)表征观测值与真实值之间的差别，其中y为实际观测信号，当观测信号不包含噪声时，可得E(x)＝0，S(x)表征平滑项，λ是一个超参数，λ越大则表示图信号越平滑；

步骤1‑3：保留差异项E(x)，对观测信号Ψx的量化形式为Q(Ψx)＝ΨQ(x)；

步骤1‑4：将量化形式的信号代入，建立问题