1.一种稀疏模型中字典的表示方法，其特征在于，包括：

根据接收的信号采集信号样本，并通过所述信号样本的数据分布特征建立稀疏模型；

根据所述信号样本通过计算所述稀疏模型得到所述信号的稀疏编码；

将所述稀疏编码迭代入所述稀疏模型计算得到离散字典，通过循环迭代所述离散字典处理得到至少一个所述信号样本的样本子集，直至满足预定的判断条件时终止所述循环迭代，并将所述至少一个信号样本进行统计组成新的信号；

输出通过统计所述样本子集得到的所述新的信号。

2.根据权利要求1所述的方法，其特征在于，所述稀疏模型具体表现为：

当{d1，d2，...，dk}∈X时，其中ai为稀疏编码，中的

j为稀疏编码的ai的序号，{d1，d2，...，dk}为样本集合X的样本子集，di为所述样本子集中的样本，xi为组成所述样本集合X的单个样本，N为样本个数，系数λ用于限定所述稀疏编码的稀疏程度，其中，所述稀疏程度为所述稀疏编码中的非零元个数。

3.根据权利要求1或2所述的方法，其特征在于，在所述根据所述信号样本通过计算所述稀疏模型得到所述信号的稀疏编码之前，所述方法还包括：设定循环总数为T，最大误差值为eta，所述循环总数T为所述稀疏模型循环迭代计算的循环次数，所述最大误差值eta为通过所述稀疏模型计算重构误差时设定的误差值的阈值，其中，所述循环总数或所述最大误差值为循环迭代计算结束的判断条件；

将样本集{x1，x2，……，xN}归一化，并任意选择K个样本作为离散字典，其中，所述样本集归一化为将所述样本集中的样本通过平方求和化为常量1，所述样本集{x1，x2，……，xN}归一化表示为 所述样本个数K为所述样本集中任意选择的样本个数。

4.根据权利要求1～3任一所述的方法，其特征在于，所述根据所述信号样本通过计算所述稀疏模型得到所述信号的稀疏编码，包括：设定所述离散字典为已知条件，并将所述离散字典带入所述稀疏模型的表达式根据所述表达式通过最小角回归Lasso-LARS算法得到N个样本的稀疏编码，其中，所述N个样本的稀疏编码为所述稀疏编码的对应多个样本的编码个数，所述稀疏编码为{a1，a2，……，aN}。

5.根据权利要求1～4任一所述的方法，其特征在于，所述将所述稀疏编码迭代入所述稀疏模型计算得到离散字典，包括：设定所述稀疏编码为已知条件，并将所述稀疏编码代入所述稀疏模型的表达式中得到计算离散字典的表达式，所述计算离散字典的表达式为当{d1，d2，...，dk}∈X时， 所述稀疏编码为A＝{a1，a2，……，aN}，其中，为所述稀疏编码设定为已知条件后代入所述稀疏模型表达式用于求

解所述离散字典的范式，所述X为已知的样本集合，D为所述离散字典，{d1，d2，...，dk}∈D为离散字典中的样本集合；

当所述样本子集中的字典基元di依次代入所述计算离散字典的表达式，并更新至第K个字典基元时，设定其他字典基元为已知条件，将计算所述离散字典的表达式中的 代换为E，使得所述计算离散字典的表达式转换为并计算离散字典，其中X为已知的样

本集合，A为所述稀疏编码，di为已知字典基元，所述E-dkA用于通过筛选样本计算得到所述离散字典，以便构成新的输出信号，所述 为X-DA在字典基元di依次代入后扩展得到。

6.根据权利要求5所述的方法，其特征在于，所述当所述样本子集中的字典基元di依次代入所述计算离散字典的表达式，并更新至第K个字典基元时，包括：根据所述稀疏编码选取引用所述第K个字典基元的样本子集，所述样本子集为将所述样本子集中每个样本代入所述计算离散字典的表达式的转换式计算所述样本在所述转换式中的误差值，并将所述误差值与当前误差值进行比较，所述当前误差值为‖E-dkA||2；

若所述误差值大于所述当前误差值，则舍弃所述误差值，并在所述样本子集中除去所述误差值对应的样本；

或者，

若所述误差值小于所述当前误差值，则保留所述样本对应的误差值，并更新为第一当前误差值，且在所述样本子集中除去所述误差值对应的样本，循环将所述样本子集中的样本带入所述转换式中计算误差值，直至所述样本子集为空集。

7.一种电子设备，其特征在于，包括：

采集单元，用于根据接收的信号采集信号样本，并通过所述信号样本的数据分布特征建立稀疏模型；

计算单元，用于根据所述采集单元采集的所述信号样本通过计算所述稀疏模型得到所述信号的稀疏编码；

所述计算单元，还用于将所述稀疏编码迭代入所述稀疏模型计算得到离散字典，通过循环迭代所述离散字典处理得到至少一个所述信号样本的样本子集，直至满足预定的判断条件时终止所述循环迭代，并将所述至少一个信号样本进行统计组成新的信号；

发送单元，用于输出通过统计所述样本子集得到的所述新的信号。

8.根据权利要求7所述的设备，其特征在于，所述稀疏模型具体表现为：

当{d1，d2，...，dk}∈X时，其中ai为稀疏编码，中的

j为稀疏编码的ai的序号，{d1，d2，...，dk}为样本集合X的样本子集，dj为所述样本子集中的样本，xi为组成所述样本集合X的单个样本，N为样本个数，系数λ用于限定所述稀疏编码的稀疏程度，其中，所述稀疏程度为所述稀疏编码中的非零元个数。

9.根据权利要求7或8所述的设备，其特征在于，所述设备还包括：

设置单元，用于在根据所述信号样本通过计算所述稀疏模型得到所述信号的稀疏编码之前，设定循环总数为T，最大误差值为eta，所述循环总数T为所述稀疏模型循环迭代计算的循环次数，所述最大误差值eta为通过所述稀疏模型计算重构误差时设定的误差值的阈值，其中，所述循环总数或所述最大误差值为循环迭代计算结束的判断条件；

选取单元，用于将样本集{x1，x2，……，xN}归一化，并任意选择K个样本作为离散字典，其中，所述样本集归一化为将所述样本集中的样本通过平方求和化为常量1，所述样本集{x1，x2，……，xN}归一化表示为 所述样本个数K为所述样本集中任意选择的样本个数。

10.根据权利要求7～9任一所述的设备，其特征在于，所述计算单元包括：计算子单元，用于设定所述离散字典为已知条件，并将所述离散字典带入所述稀疏模型的表达式所述计算子单元，还用于根据所述表达式通过最小角回归Lasso-LARS算法得到N个样本的稀疏编码，其中，所述N个样本的稀疏编码为所述稀疏编码的对应多个样本的编码个数，所述稀疏编码为{a1，a2，……，aN}。

11.根据权利要求7～10任一所述的设备，其特征在于，所述计算单元，还包括：转换子单元，用于设定所述稀疏编码为已知条件，并将所述稀疏编码代入所述稀疏模型的表达式中得到计算离散字典的表达式，所述计算离散字典的表达式为当{d1，d2，...，dk}∈X时， 所述稀疏编码为A＝{a1，a2，……，aN}，其中，为所述稀疏编码设定为已知条件后代入所述稀疏模型表达式用于求

解所述离散字典的范式，所述X为已知的样本集合，D为所述离散字典，{d1，d2，...，dk}∈D为离散字典中的样本集合；

所述转换子单元，还用于当所述样本子集中的字典基元di依次代入所述计算离散字典的表达式，并更新至第K个字典基元时，设定其他字典基元为已知条件，将计算所述离散字典的表达式中的 代换为E，使得所述计算离散字典的表达式转换为并计算离散字典，其中X为已知的样本集合，A为所述稀疏编码，di为已知字典基元，E-dkA用于通过筛选样本计算得到所述离散字典，以便构成新的输出信号， 为X-DA在字典基元di依次代入后扩展得到。

12.根据权利要求11所述的设备，其特征在于，所述计算单元，具体用于根据所述稀疏编码选取引用所述第K个字典基元的样本子集，所述样本子集为将所述样本子集中每个样本代入所述计算离散字典的表达式的转换式计算所述样本在所述转换式中的误差值，并将所述误差值与当前误差值进行比较，所述当前误差值为‖E-dkA||2；

若所述误差值大于所述当前误差值，则舍弃所述误差值，并在所述样本子集中除去所述误差值对应的样本；

或者，

若所述误差值小于所述当前误差值，则保留所述样本对应的误差值，并更新为第一当前误差值，且在所述样本子集中除去所述误差值对应的样本，循环将所述样本子集中的样本带入所述转换式中计算误差值，直至所述样本子集为空集。