杭州电子科技大学 自动化学院，浙江 杭州 310018
为了进一步缩小非负矩阵分解（non-negative matrix factorization，NMF）的解空间，提出了一种基于保持高光谱图像的内在结构不变性约束和端元光谱分段平滑约束的NMF的高光谱解混算法。首先，采用一个投影方程来描述高光谱图像的内在结构。然后引入图正则化，建立高光谱图像与丰度矩阵之间的联系，以保持高光谱图像内在结构的不变性。其次，采用马尔科夫随机场模型中的自适应势函数作为促进端元平滑的平滑函数。最后，采用L1/2稀疏约束促进丰度矩阵的稀疏性。为了验证所提算法的性能，在两个真实数据集上进行了实验分析，证明了该方法的优越性。
高光谱图像 非负矩阵分解（NMF） 稀疏性 图正则化 马尔科夫随机场 平滑性 hyperspectral image non-negative matrix factorization (NMF) sparseness graph regularization Markov random fields smoothness
1 西安市电气设备状态监测与供电安全重点实验室，陕西 西安 710054
2 西安科技大学电气与控制工程学院，陕西 西安 710054
在背景快速变化的情况下，现有高光谱视频目标跟踪算法存在跟踪效果不佳的问题。为此，提出一种基于背景环境残差感知的高光谱目标多正则化相关滤波（MRCF）跟踪算法。首先，为了降低相关滤波（CF）跟踪算法的复杂度，采用背景感知谱段选择方法，从高光谱图像中选择目标和其周围背景区域差异性得分最大的前三个谱段，构成三谱段光谱图像。然后，分别提取伪彩色图像与三谱段光谱图像中目标的三种典型的特征：方向梯度直方图（HOG）、强度和三维HOG特征，再通过朴素相加的方式获得目标融合特征，对目标特征进行描述。最后，将目标融合特征输入改进的MRCF并预测目标位置，当MRCF在训练相关滤波器时，在其岭回归函数中引入背景环境残差感知正则化项来抑制背景快速变化带来的干扰。实验结果表明，与当前的其他算法相比，所提跟踪算法在目标快速运动和尺度变化情况下具有更好的跟踪性能。
彩/谱图像特征融合 环境残差感知 多正则化相关滤波 高光谱视频 目标跟踪
光通信网络中，故障数据影响数据传输质量。因此，设计了一种基于深度学习的光通信网络数据传输数学模型，利用卷积神经网络提取光通信网络传输数据特征，通过全连接层和Softmax分类器输出数据类别。为防止拟合过度，引入L1正则惩罚项和优化激活函数实现参数稀疏化。同时，将卷积神经网络与深度置信网络的输入层连接，利用反向训练对分类结果进行反馈微调。实验结果显示，该模型的数据分类误差低于1.7%，输出数据与实际数据高度一致，有效提升了光通信网络数据传输质量。
深度学习 光通信网络 数据传输 卷积神经网络 正则化 反馈微调 deep learning optical communication network data transmission convolutional neural networks regularization feedback fine-tuning
山东理工大学电气与电子工程学院，山东 淄博 255049
在流动气溶胶动态光散射（DLS）粒度反演中，流速项会加剧反演方程的病态性，并会引入系数矩阵误差。基于经典最小二乘模型的Tikhonov正则化（LS-Tik）反演方法仅考虑了测量相关函数中的误差，导致反演的气溶胶颗粒粒度分布（PSD）对噪声敏感性增加，抗干扰性较差，精度偏低。针对该问题，本研究提出了一种总体最小二乘Tikhonov-TV混合正则化（TLS-Tik-TV）DLS反演方法。该方法融合了总体最小二乘（TLS），能够兼顾系数矩阵与相关函数误差，将Tikhonov与抗噪性能强的全变差（TV）正则化结合，双重降低了反演方程的病态性以及噪声的影响，提高了反演精度。在不同的噪声水平及流速下对比了LS-Tik和TLS-Tik-TV对模拟颗粒的反演性能。结果表明：TLS-Tik-TV反演得到的PSD及峰值误差更小，双峰分辨能力更强。584 nm单峰和243/825 nm双峰真实颗粒的反演结果表明：TLS-Tik-TV最多分别可降低0.027和0.123/0.091的峰值误差，验证了模拟颗粒得到的结论。
动态光散射 颗粒反演 总体最小二乘 正则化 流动颗粒
1 湘潭大学自动化与电子信息学院，湖南 湘潭 411100
2 辽宁理工职业大学建筑工程学院，辽宁 锦州 121007
3 湘潭大学数学与计算科学学院，湖南 湘潭 411100
为解决基于正则化模型的传统图像复原算法在求解过程中存在的正则项先验知识包含的模型信息不够丰富、正则化系数需要人为设置或自适应困难等问题，结合传统方法和深度学习方法的优势，将L2范数正则化模型与深度学习相结合，提出具有严密的数学模型基础和可解释性的深度学习网络——融合L2范数先验的可解释性深度学习图像复原网络。利用非线性变换代替正则化模型的正则项，利用深度学习网络求解正则化模型，优化模型求解的同时增加深度学习网络的可解释性。实验结果表明，所提算法能更好地去除图像模糊，同时抑制图像噪声，达到提高图像质量的目的。
图像复原 L2范数 正则化模型 可解释性 激光与光电子学进展
2025, 62(6): 0637004
1 云南财经大学信息学院，云南 昆明 650051
2 中国科学院光电技术研究所，四川 成都 610054
3 北京空间机电研究所，北京 100039
针对远距离光电探测系统受大气湍流、光线散射等成像条件影响导致目标图像信噪比低、模糊和几何畸变等退化降质问题，提出一种非凸正则化约束的湍流模糊目标复原算法。首先，利用潜在低秩空间分解（LatLRSD）获得目标低秩分量、纹理分量和高频噪声分量。接着，在小波变换域中对LatLRSD模型去噪后获得的两个结构分量进行加权重建，并在所构建的目标重建函数中加入非凸正则化约束条件以改善传统lp范数（p=0，1，2）作为约束项产生的重建模糊和尺度敏感问题。在远距离湍流成像场景中的目标复原实验表明：和传统算法相比，所提算法能够有效去除湍流目标模糊和噪声，复原后的目标信噪比平均提高约9 dB，且其适用于多帧或单帧的湍流模糊目标复原场景。
目标复原 湍流成像 正则化 低秩分解 激光与光电子学进展
2025, 62(2): 0237001
1 桂林电子科技大学 电子工程与自动化学院，广西桂林54004
2 桂林航天工业学院 电子信息与自动化学院，广西桂林541004
现有基于单一光谱的转基因菜籽油分类鉴别模型，存在包含信息少、数据维度高等问题，导致模型运行效率较低、检测结果不够准确。针对此问题，本研究提出一种太赫兹融合光谱结合改进Fused Lasso模型的转基因菜籽油分类鉴别方法。以两种转基因菜籽油和两种非转基因菜籽油为研究对象，应用太赫兹时域光谱（THz-TDS）系统获取4种菜籽油样品在0.2~1.6 THz频率范围内的太赫兹吸收光谱，采用连续投影（SPA）算法对样品的太赫兹吸收光谱和导数光谱进行特征提取后再融合，引入特征选择和分类为一体的正则化稀疏模型Fused Lasso，通过采用一对一（OVO）方法将其改进为多分类模型并采用贝叶斯优化（BO）算法对其正则化参数寻优。结果表明，相比传统基于单一吸收光谱的Fused Lasso模型，基于融合光谱的BO-Fused Lasso模型对4种菜籽油分类效果更好，其训练集准确率为96.88%，测试集准确率为95.00%。因此，本研究为转基因菜籽油和非转基因菜籽油的鉴别提供了一种新方法，也为其他转基因物质鉴别提供了有价值的参考。
太赫兹 转基因菜籽油 融合光谱 正则化稀疏模型 贝叶斯优化 terahertz transgenic rapeseed oil fusion spectrum regularized sparse model Bayesian optimization 光学 精密工程
2024, 32(20): 3006
江西理工大学 电气工程与自动化学院，江西 赣州 341000
糖尿病视网膜病变（diabetic retinopathy，DR）是目前人类的主要致盲疾病之一。针对DR数据集中样本类间差异小和类分布不均衡等制约分级性能提高的问题，本文提出一种融合注意力线性特征多样化（fusion of attention linear feature diversification，FALFD）的分级算法。该算法首先用改进的Res2Net残差网络作为模型骨干来增大感受野，进一步提高网络捕捉特征信息的能力；其次引入自适应特征多样化模块（adaptive feature diversification module，AFDM）对眼底图像可分辨的微小病理特征进行识别，获得具有高语义信息的局部特征，避免单一特征区域的限制，进而提高分级准确度；再后利用双线性注意力融合模块（bilinear attention fusion module，BAFM）增加可判别区域特征的网络权重占比；最后采用正则化焦点损失（focal loss，FL）进一步提升算法的分类性能。在IDRID数据集上，灵敏度和特异性分别为94.20%和97.05%，二次加权系数为87.83%；在APTOS 2019数据集上，二次加权系数和受试者工作曲线下的面积分别为88.06%和93.90%。实验结果表明，本文算法在DR分级领域中具有一定的应用价值。
视网膜病变分级 特征多样性 注意力机制 正则化 深度学习 grade of retinopathy feature diversity attention mechanism regularization deep learning
