Speckle reduction by selective spatial-domain mask in digital holography

An improved method of using a selective spatial-domain mask to reduce speckle noise in digital holography is proposed.The sub-holograms are obtained from the original hologram filtered by the binary masks including a shifting aperture for being reconstructed. Normally, the speckle patterns of these sub-reconstructed images are different. The speckle intensity of the final reconstructed image is suppressed by averaging the favorable sub-reconstructed images which are selected based on the most optimal pixel intensity sub-range in the sub-holograms. Compared with the conventional spatial-domain mask method, the proposed method not only reduces the speckle noise more effectively with fewer sub-reconstructed images,but also reduces the redundant information used in the reconstruction process.

跨域数据管理

随着数据成为新的生产要素和数字中国顶层战略的推进,跨域数据共享和流通对于实现数据要素价值最大化变得至关重要。国家通过布局全国一体化大数据中心体系、启动“东数西算”工程等一系列举措,为数据要素的跨域应用提供了基础设施。然而,传统的数据管理局限于单一域内,无法满足跨域场景下的数据管理需求。跨域数据管理面临通信层面的跨空间域挑战、数据建模层面的异构模型融合问题,以及数据访问层面的跨信任域挑战。从跨空间域、跨管辖域和跨信任域3个视角出发,探讨了跨域数据管理的内涵、研究挑战及关键技术,并展望了其未来发展趋势。

基于深度学习和双域融合的红外成像制导系统复杂背景噪声去除方法

红外成像制导系统受到严苛运行环境影响,其成像过程伴随复杂背景噪声干扰,严重影响系统制导跟踪精度。为减少复合噪声对红外成像效果的影响,在分析多种常见噪声的成因和特性的基础上,提出一种基于加性成分和乘性成分的噪声特性先验设定,结合空间域和变换域的双域融合去噪思想,设计了一种基于深度卷积神经网络的多类型噪声去除方法。该方法将富梯度流卷积模块引入UNet++结构以缩减梯度信息冗余并提升多感受野特征提取能力;针对噪声形态特性提出维度注意力机制以实现双域噪声估计;引入高阶双树复小波变换作为域变换方法,提升在不同尺度和方向上对噪声成分的识别能力。通过消融实验验证了噪声先验设定以及双域融合去噪思想的有效性和优越性,通过对比实验证明了所提方法对多种类型噪声均具有优秀的去噪能力。所提方法对高斯噪声的去噪峰值信噪比和结构相似度指标分别达到29.57和0.85,优于其他典型噪声抑制方法;对多类型混合噪声则分别达到27.84和0.82,达到良好的去噪水平。此外,也验证了所提方法对真实图像噪声具有优秀的去噪能力。

基于混合神经网络和注意力机制的生物医学事件触发词识别方法

生物医学事件作为生物医学文本挖掘的重要组成部分,在生物医学研究和疾病的预防中发挥着重要作用.触发词识别是生物医学事件抽取的关键和前提步骤,旨在提取描述事件类型的关键词.传统方法在特征提取过程中过分依赖自然语言处理工具,导致耗费人工成本.另外,由于生物医学文献的特殊性—长文本语句多,导致长距离依赖问题比较明显.为了解决这些问题,我们提出了一种混合结构,由残差卷积神经网络和双向长短期神经网络、混合神经网络和多头注意力机制组成.该模型利用残差卷积神经网络提取单词级特征并利用双向长短期神经网络提取上下文语义信息.此外,本文通过空间域滑动窗口将长句划分为等长短句,在不破坏上下文信息的前提下,避免了长距离依赖.实验结果表明,本文提出的方法在生物医学事件抽取通用语料MLEE(Multi-Level Event Extraction)上取得了较好的效果,F值达到81.15%.

面向空天地一体化网络的抗干扰技术研究

空天地一体化网络是实现全域通信和提供网络互联互通服务需求的重要基础设施之一。在未来的强对抗干扰环境中,确保其数据传输的有效性与可靠性对于维护国家安全具有重要意义。针对空天地一体化网络的对抗性的环境特点,探讨了在时频域和空域实现抗干扰的潜在应用与关键技术,并提出了对空天地一体化网络的综合思考。最后展望未来,以期为后续研究和实际应用提供方向性指导。

基于空频域特征提取的小样本图像分类算法

小样本学习的目的是使用极少的样本训练模型,并在有限的数据集上构建一种有效的模型,以实现对新样本的准确预测。关于小样本图像分类的研究大多只从空域的角度去提取图像的特征进行学习,且在计算相似性分数时采用单一的度量模式,极大地降低了图像分类的准确性。为此,提出了一种基于空频域特征提取的小样本图像分类算法网络(FENet),从空域和频域角度出发,提取图像特征,并结合图像到图像的度量与图像到类的度量方式,引入干扰因子,提高模型的鲁棒性和泛化性。在CUB-200-2011、Stanford-Cars、Stanford-Dogs 3个数据集上进行了大量的实验,结果表明,FENet在一定程度上能提升小样本图像分类的准确性。

基于布里渊光时域峰值边沿分析的变压器绕组局部热点检测

变压器绕组的温度分布一直是电网运行人员重点关注的对象。与传统传感器相比,分布式光纤传感具有抗电磁干扰能力强、可实现分布式测量等优势,其中布里渊光时域分析技术(BOTDA)的性能稳定,适用于大多数场景,但BOTDA的空间分辨率为m级,难以分辨绕组运行中的局部热点。该文从布里渊散射增益谱的机理入手,利用双峰拟合算法,并结合对异常峰值曲线的边沿分析,提出了一种在不增加系统硬件复杂度的基础上提升BOTDA空间分辨率的方法,以满足局部热点检测要求。通过对光纤沿线不同位置、不同热点长度及不同热点温度下的模拟试验验证了该方法的有效性,在实验室条件下可将准确传感的热点长度提升至原空间分辨率的一半以内。基于变压器实际绕组的局部升温试验,实现了绕组异常热点的精确定位和长度感知,并准确解调了绕组局部热点的温度,进一步验证了该方法的实际可行性和检测优越性,温度相对误差控制在5%以内,为提高变压器绕组温度在线监测的经济性和可行性提供新的思考,同时也为变压器绕组局部故障的提前感知和预警提供了新的思路。

基于多域融合及神经架构搜索的语音增强方法

为进一步提高语音增强模型的自学习及降噪能力,提出基于多域融合及神经架构搜索的语音增强方法。该方法设计了语音信号多空间域映射及融合机制,实现信号实复数关联关系的挖掘;围绕模型卷积池化运算特点,提出了复数神经架构搜索机制,通过设计的搜索空间、搜索策略及评估策略,高效自动地构建出语音增强模型。实验搜索到的最优语音增强模型与基线模型的对比泛化实验中,语音质量客观评价(PESQ)、短时客观可懂度(STOI)两大指标较最优基线模型均最大提升5.6%,且模型参数量最低。

基于空间域图像生成和混合卷积神经网络的配电网故障选线方法

传统的配电网故障选线方法大多基于一维零序电流序列构建故障诊断模型,单一的诊断模型往往限制了故障特征的深层挖掘。为了提高故障选线的准确率,提出一种基于空间域图像和混合卷积神经网络的配电网故障选线方法。首先,利用优化的降噪光滑模型对零序电流信号进行降噪处理,减少外界环境的电磁干扰。其次,利用对称希尔伯特变换将一维时域信号转成二维空间域图像,图像的颜色、形状和纹理特征能够充分反映当前系统的运行状态。最后,将一维时域信号和二维空间域图像同步作为混合卷积神经网络的输入,充分挖掘系统的故障特征,利用Sigmoid函数实现故障选线。在辐射状配电网、IEEE-13节点模型、IEEE-34节点、StarSim仿真平台上模型上进行了实验验证。实验结果表明,该选线方法可以有效克服传统方法过度依赖主观特征选择、抗噪性能差等问题,能够在高阻接地、采样时间不同步、两点接地故障等极端情况下可靠地筛选出故障线路。

基于数字微镜器件的快速超分辨晶格结构光照明显微研究

超分辨结构光照明显微成像技术(super-resolution structured illumination microscopy,SR-SIM)具有时间分辨率高、光漂白和光毒性低和对荧光探针的要求少等优点,适用于活细胞的长时程超分辨成像.采用二维晶格结构光作为照明光,可以实现更快的成像速度和更低的光毒性,但同时也增加了系统的复杂性.为了解决此问题,本文提出了一种基于数字微镜器件的快速超分辨晶格结构光照明显微成像方法(digital micromirror device-based lattice SIM,DMD-Lattice-SIM),通过同步分时触发DMD和sCMOS相机的方式实现二维正交晶格结构光的产生,且只需要采集5幅相移原始图像即可重构出超分辨图像,相比于传统SR-SIM需要9幅相移原始图像的方法,图像采集时间减少了约44.4%.同时,在基于空域和频域联合的SIM重构算法(joint space and frequency reconstruction method-SIM,JSFR-SIM)的基础上,本文还发展了用于Lattice-SIM的JSFR超分辨图像重构方法(Lattice-JSFR-SIM),先在频域对原始图像进行预滤波处理;然后,在空域对滤波后的图像进行超分辨重构处理.与传统频域图像重构处理对比,该方法在512×512像素数的成像视场下重构时间减少了约55.6%,对于实现活细胞实时超分辨成像具有重要意义和应用价值.

基于统计和自适应ParNet的产学研绩效评价

针对现有产学研绩效评价体系及方法中存在的评价指标覆盖范围单一、评价样本特征表达不充分、评价模型自优化能力待提高的问题,提出主客观产学研综合绩效智能评价的评价体系及方法。首先,围绕三方合作主体,挖掘产学研合作过程中影响绩效的要素及这些要素之间的联系,自主构建主客观产学研绩效三级评价体系;其次,通过将收集到的离散序列评价样本映射至极坐标空间、马尔可夫转移矩阵等不同高维空间域,增强离散样本特征表征;然后,通过基于精英反向翻筋斗觅食的混沌优化策略设计,提高深度模型冗余压缩和超参数的全局寻优效率,构建轻量压缩及高维超参数的自适应寻优的ParNet(AParNet)分类模型;最后,将模型应用于产学研绩效评价中,实现高性能的绩效智能评价。实验结果表明,所提方法很好地贴合了离散序列非线性分类应用,同时模型中加入优化策略后,在减少计算量的同时提高了分类性能,具体体现在:与ParNet相比,AParNet中的参数量减少了10.8%,较好地实现了模型的压缩,且它在产学研绩效评价中的分类准确率可达到98.6%。在产学研绩效智能评价应用中,该方法提高了评价模型的自适应能力,能够实现准确、高效的产学研绩效评价。

基于安全强化学习的电网稳控策略智能生成方法

新型电力系统的“双高”趋势改变了电力系统经典稳定特性,导致稳定机理更复杂,系统稳定模式更多样,因此基于典型运行方式的在线稳定控制策略面临挑战。为解决新型电力系统的功角稳定问题,提出了基于安全强化学习的稳控策略智能生成方法。首先,建立了电力系统稳控问题的含约束马尔可夫模型,归纳并提出了紧急控制切机动作涉及的安全约束。其次,为了提高对于电网暂态响应的时空特征提取能力,构建了基于图卷积层和长短期记忆单元的特征感知网络。然后,为了提高稳控策略智能体的训练效率,提出了基于内嵌领域知识约束的近端策略优化算法稳控策略训练框架。最后,在IEEE 39节点系统和某实际电网中进行测试验证。结果表明,所提方法能够根据系统运行状态和故障响应自适应生成切机稳控策略,其决策效果和效率均优于现有的稳控策略。

整合组织学图像信息增强空间转录组细胞聚类的分辨率

【目的】增加空间转录组基因表达的空间分辨率以提升遗传发育与疾病研究中的细胞谱系和类型变化的精度,提供更精细的分子表型信息。【方法】通过图像分割实现空间转录组点阵的细胞空间分布模拟,使用线性插值方法重构超分辨率基因空间表达,并利用图聚类方法揭示组织中细胞分布的空间偏好性。【结果】将新方法SpaGMM在小鼠后脑10X Visium数据集上进行检验,可以精确识别小鼠脑神经空间结构域。通过与几种空间转录组聚类的常用方法进行比较,结果显示SpaGMM的聚类结果更加符合组织学区域的注释,这些区域具有大量标记基因的空间表达支持。SpaGMM还可以从小鼠小脑区域中区分出浦肯野细胞(Purkinje cell)和伯格曼胶质细胞(Bergmann glial cell)所对应的组织区域,发现不同细胞层中存在互补的基因表达模式。【结论】SpaGMM可以通过提高点阵的空间分辨率揭示组织结构域的精细结构。

基于空间域与频域特征自适应融合和类间边界区域增强的三维海马分割

目的海马萎缩是诊断阿尔茨海默病等诸多精神疾病的临床重要标志,因此准确分割海马是一个重要的科学问题。随着深度学习的发展,人们提出了大量先进的自动分割方法。然而,由于MRI中各种噪声的影响以及海马不同类别之间不清晰的边界,三维海马分割仍然具有挑战性。因此本文旨在提出新的自动分割方法来更精确地分割海马头、体、尾。方法为了克服这些挑战,本文提出了两个策略。一种是空间域与频域特征自适应融合策略,通过快速傅立叶变换和卷积自动选择合适的频率组合,减少噪声对特征提取的影响。另一种是类间边界区域增强策略,它允许网络通过加权每个类之间边界区域的损失函数来增强对边界区域的学习,以达到精确定位边界和调节海马头、体、尾大小的目的。结果在50例青少年大脑MRI数据集上进行的实验表明,我们的方法实现了较先进的海马分割,海马头、体、尾相较于现有的方法都取得了一定的提升。消融实验证明我们提出的两种策略有效,我们还在260例Task04_Hippocampus数据集上验证了网络具有强大的泛化能力,说明本文提出的方法可用于更多的海马分割场景。结论我们提出的方法可以帮助临床医生更清楚地观测海马萎缩,并完成更精确的病情诊断和追踪。

高阶SF-SFDTD方法在含时薛定谔方程求解中的应用研究

时域有限差分方法(finite-difference time-domain,FDTD(2,2))被广泛用于量子力学中薛定谔方程的求解,然而受Courant-Friedrichs-Lewy(CFL)条件的影响,计算空间中的网格尺寸会限制时间步长的取值范围,极大降低了FDTD(2,2)方法的数值计算效率.另外,FDTD(2,2)方法在时间域和空间域只具有二阶数值精度,在计算中往往会导致较大的误差累计,影响仿真结果的正确性.为了克服这些问题,结合空间滤波方法(spatial filtering,SF)和高阶辛时域有限差分(symplectic finite-difference time-domain,SFDTD(3,4))方法(3和4分别表示时间和空间数值精度),提出了一种时间稳定性条件可扩展的SF-SFDTD(3,4)方法用于求解含时薛定谔方程.SF-SFDTD(3,4)方法无需对传统SFDTD(3,4)方法的迭代公式进行进一步的推导,只需要在每一次的数值迭代过程中加入空间滤波操作,滤除因采用不满足CFL条件的时间步长而产生的不稳定空间域高频分量,保证数值方法的稳定性,因此所提方法与传统SFDTD(3,4)方法具有较高的兼容性.同时,理论分析了SF-SFDTD(3,4)方法的数值色散误差.最后,通过数值算例验证了本文所提方法的正确性和有效性.

图网络在线异常检测跨域耦合模型优化方法

图网络在线异常检测模型在导弹系统网络通信模式监控、雷达系统恶意攻击识别,以及战机控制系统网络活动监测等应用领域中发挥着至关重要的作用。该检测模型将图谱域信号处理模型与时域检测模型相耦合,其高阶非线性处理过程给以高精度检测为导向的跨域耦合异常检测的模型优化带来了巨大挑战。针对此问题,提出了一种图网络在线异常检测跨域耦合模型优化方法。该方法关注高阶非线性跨域耦合检测模型处理信号空时相关性,通过对图网络跨域耦合模型处理信号统计特性的精细推导,揭示该检测模型的空时耦合机理及耦合过程对检测性能的影响,为模型中关键参数的选择提供了依据,弥补了该领域以往仅依赖简化模型和经验进行参数选择的不足。仿真及外场试验结果表明:所提模型优化方法在确保图网络异常检测稳健性的同时,显著提高了检测准确率。

基于空间域和曲率域多特征信息的红外图像增强算法研究

为了改善红外图像的成像质量,文章提出一种基于空间域和曲率域多特征信息的红外图像增强算法。该算法在隐式地使用曲率域信息的同时,结合空间域灰度信息,一方面,曲率域内进行图像重构,在达到很好的保持边缘和细节的效果的同时,保证了算法的效率;另一方面,在空间域利用全局信息构造出增强方程,能显著增强图像对比度。实验结果表明,相较于已有的空间域及梯度域图像增强算法,该算法既能有效增强对比度又能保持边缘和细节信息,算法效率显著提高。

基于Vine-Copula的高土石坝变形监控模型研究

针对高土石坝变形监控模型主要基于单一测点,无法定量考虑测点空间关联性的问题,构建了基于Vine-Copula的变形监控模型,并提出了基于蒙特卡洛随机抽样法的空间置信域预警阈值设置方法。在模型构建过程中,充分考虑了多测点之间的时序特性和空间相关性,利用Vine-Copula方法对变形数据进行精确建模和分析,以揭示高土石坝变形的整体趋势。同时,通过蒙特卡洛随机抽样法确定了空间置信域,为预警阈值的设定提供了科学依据。工程实践表明:该模型模拟结果能够准确反映高土石坝变形的整体趋势,具有较高的合理性和精度,有效实现了监测效应量向高土石坝空间全域的拓展。研究成果可为高土石坝安全监控提供新的思路和方法,具有重要的理论意义和实践价值。

浙闽赣地区传统城市“景域”空间特征研究

在中国传统城市设计中,理清城市与风景之间的互动关系是构建人居环境整体秩序的关键,其中基于方位文化的城市风景地段关联布局是重要的空间营建传统。通过方志解读和语义分析,阐释了方位与风景的双向关联,明确界定了“景域”的概念,并剖析其内涵特征与规划方法。以浙闽赣地区山水资源丰富的传统典型城市为案例研究,探讨了古代城池图像中不同方位景域营建要素的分布规律,归纳了具有代表性的景域空间布局与结构特征。以期为城市标志性历史地段要素设计和关联性保护提供新的视角与理论依据。

基于随机森林模型的合肥市主城区轨道交通站域空间活力与建成环境关联性测度

以合肥市主城区轨道交通站域为例,基于百度热力指数等多源数据分析其空间活力特征,采用随机森林模型测度地理区位、土地利用、功能设施、开发强度、交通便利度以及环境品质6个维度的建成环境要素与轨道交通站域空间活力的关联性。同时,结合K-means聚类算法,划分轨道交通站域类型并识别典型站域存在问题,从而针对不同类型轨道交通站域提出空间活力优化策略。结果表明:①合肥市主城区轨道交通站域空间活力在时序上呈现“晚高峰高于早高峰,休息日晚高峰高于工作日晚高峰”特征,在空间上呈现“内高外低”由二环线向外逐渐递减的空间分异格局;②综合工作日与休息日早/晚/非高峰时段建成环境变量对轨道交通站域空间活力的相对重要性排序,由大到小依次为:功能设施>开发强度>地理区位>土地利用>交通便利度>环境品质;③合肥市主城区轨道交通站域可划分为成熟型、成长型、初熟型、孕育型4类,聚类特征明显,在空间上呈现“圈层结构”。其中,成熟型站域集聚分布在二环线内,成长型站域沿二环线呈环状分布,初熟型站域主要呈零散状分布在二环线外滨湖区与经开区,孕育型站域主要分布在二环线外城市各区,分布范围较广。研究旨在从建成环境视角为轨道交通站域空间活力提升与低碳交通策略提供政策启示。