1.一种基于压缩感知的FBG信号自适应修复方法，其特征在于：在该方法中，包括以下步骤：步骤一：采用经验模态分解(Empirical Mode Decomposition，EMD)结合互信息对FBG光谱信号进行自适应去噪处理；

步骤二：对降噪信号进行分段测试，将信号分为k段，通过计算各段信号与样本间的欧氏距离获取对应信号的样本库；

步骤三：采用K-SVD字典学习方法获得对应信号的自适应字典D；

步骤四：由之前分段测试获得的分段测量信号获取观测矩阵R与观测信号xi，i＝1,

2,···,k；

步骤五：用改进的稀疏度自适应正则化正交匹配追踪(Improved  regularized orthogonal matching pursuit，ISAROMP)算法对观测信号进行重构，以获取完整的重构信号；

在步骤五中，所述改进的稀疏度自适应正则化正交匹配追踪(Improved regularized orthogonal matching pursuit，ISAROMP)算法对观测信号进行重构，自适应体现在无需已知信号的稀疏度，通过设置的阈值自适应选取原子，快速获得精确的重构信号，具体包括以下步骤：

1)加入调节系数α，改进logistic回归函数，如下式所示：Tn＝1/(1+α·e-n)

式中n为迭代次数，Tn为迭代第n次的阈值，α为调节系数，在(0,1]范围内取值，通过调整α的值改变阈值变化趋势，选择合理的α能使重构精度与运算时间达到较好的折中效果，筛选原子的原则如下式所示：|ui|≥Tn·max|uj|

其中，max|uj|为测量矩阵A与初始残差的内积的最大值，|ui|为残差与测量矩阵的内积，A＝R·D，i,j∈J0；

2)对阈值合理性进行验证，分两大类情况进行讨论，具体如下：

a.当前阈值范围内有原子选出，则进行正则化之后选出匹配原子更新支撑集；

b.当前阈值范围内无原子选出，此时判断残差是否大于设定阈值，又分如下情况进行讨论：(a)若残差大于设定阈值，则判定当前阈值不合理，此时选出与残差相关系数最大的原子，继续迭代；

(b)若残差小于设定阈值，则终止运算，输出稀疏向量

2.如权利要求1所述的基于压缩感知的FBG信号自适应修复方法，其特征在于：在步骤二中，所述获取对应信号的样本库，首先对降噪信号进行分段测试，每段信号缺损数据的长度不能大于该段长度的50％或以上，具体范围根据实际情况做调整，以保证信号获得精确恢复；考虑到缺损信号与样本信号不能直接进行欧氏距离的计算，因此在采集程序中，设定当前时刻无数据输入时对应的位置为FBG中心波长值，从而能以采样信号为初始中心，计算样本信号与中心的欧氏距离；且每填充一个样本，计算出新的中心，直到达到设定的样本库大小，从而获得对应信号的样本库。