0 引言

作為一項重要可用于恢復樣品高分辨率和相位的技術，近幾年來傅里葉疊層成像(FP) 取得顯著進步^[1,2]。樣品高分辨率成像在大視場下完成的主要原因是具有相對較為簡單的運行設施及FP 技術所需算法，實現(xiàn)的功能還包括三維重聚焦^[3,4]。在處理稀疏矩陣時應用協(xié)同過濾算法，該算法基于內(nèi)存分析完成建立，所以系統(tǒng)準確預測及高效運行均不能得到充分有效保障，此問題需將新算法引入完成處理，將原傳統(tǒng)算法進行改進。在推薦算法中早已應用SVD 技術，表現(xiàn)出較強的降維性能，結果顯示可顯著改善數(shù)據(jù)稀疏性^[5]。最初在搜索潛在語義領域應用SVD 技術，該算法被應用于推薦算法中，確定維數(shù)完成預測前，需按照含有奇異值對角矩陣、用戶特征向量矩陣、低維項目特征向量矩陣分解高維用戶- 項目評分矩陣，維數(shù)確定需結合奇異值大小及數(shù)量^[6]。

本文獲取ELM 算法采用K-SVD 算法改進處理實現(xiàn)，并成功應用于多特征融合物體成像識別領域。

1 ELM改進K-SVD算法

1.1 SVD梯度下降法

針對以SVD技術為基礎的推薦算法，應用梯度下降法獲取的優(yōu)化效果較佳，優(yōu)化原理為：將點集(X, Y)預先設置，特征變量及預測值分別對應X 和Y 變量，通過迭代學習對某X 特征采用機器學習模式查詢獲取估計函數(shù)，然后再獲取估計值Y，通過該函數(shù)預測新數(shù)據(jù)^[7]。設定點集X 內(nèi)第n 個特征分量為x_n，構建變量X = (x₁,x₂, ... x_n)，擬合函數(shù)h(x) 表達式為：

h(x)=a₀+a₁x₁+a₂x₂+...a_nx_n

式中，a 參數(shù)需通過迭代運算求解。同時判斷真實值與預測值間的差異時需利用誤差函數(shù)，利用該算法迭代求解，用以下形式表示該誤差函數(shù)：

J(a)=   （1）

然后最小化J(a)，求解最小J(a)主要依據(jù)各a值完成。用一個曲面或一條曲線代替J(a)，同時參考數(shù)學分析理論基礎，通過計算曲面或最低點替代最小值求解問題^[8]。然后以最快速度并結合梯度最大方向完成最值搜索，求導J(a)后再按上述步驟進行求解。按照以下形式調(diào)整a表達式：

a _i - J(a) = a _i - α(h(x) - y)x_i   （2）

學習效率高低用α 表示，操縱迭代步長，最佳效果在未合理控制此參數(shù)的情況下將難以達到。

按照以下步驟應用梯度下降法完成計算：

第1步：確定初始值h 及誤差閾值ε，同時要求ε ＞ 0。

第2步：最小化誤差函數(shù)J (a)，然后再求解下降方向，計算

第3步：判斷J(a)是否比ε小，將計算結果輸出；否則則按上述步驟進行重新計算。

1.2 訓練ELM算法

訓練DELM-AE 算法的流程圖如圖1所示。在測試樣本稀疏編碼過程中，所利用字典選用全部的測試樣本，測試樣本標簽值的判定則需依據(jù)重構誤差最小準則。

訓練算法數(shù)據(jù)傳輸模式在隱含層及輸入均選用全連接模式，學習參數(shù)用β 表示。同時選用單隱層ELM算法解析算法各層及前一層，有利于訓練成本的大幅降低，單隱層ELM“輸入層”用“輸出層”代替。參考此方法可完成極限學習機網(wǎng)絡模型的構建，實現(xiàn)自編碼功能，訓練參考以上步驟進行。

圖1 ELM改進K-SVD算法流程圖

2 物體識別的應用

2.1 物體識別

在Coil-20 數(shù)據(jù)集中驗證ELM 算法。旋轉10°后再對每個物體進行照片采集，共計獲得36×20 張圖片。采用隨機方式，在識別物體的過程中進行訓練選取圖片為18×20 個，專門用于測試的樣本數(shù)據(jù)為剩余圖片。

基于3 層ELM 算法完成隱含層節(jié)點在K-SVD 算法中的設定，然后完成20 個節(jié)點的選取，各個節(jié)點識別率在ELM 算法隱含層中的測試結果如表1所示。

表1 ELM算法的識別率

為全方位評價字典學習結果，K-SVD 學習字典情況依據(jù)ELM 算法獲取，具體結果見圖2。通過ELM 算法，同時結合圖2 詳細數(shù)據(jù)，字典精確度和優(yōu)勢在處理后的提升效果均十分顯著。

圖2 經(jīng)過ELM預處理前后的字典

對比分析表2數(shù)據(jù)，發(fā)現(xiàn)應用不同算法獲取的計算準確率不同，包括K-SVD算法、SAE 算法及ELM 算法。數(shù)據(jù)結果顯示，從收斂速度來看，K-SVD 算法相對較快，同時相比SAE 算法，該算法的收斂時間更短。因此，不論是從計算效率還是計算準確率來看，相比于ELM算法，改進的K-SVD算法表現(xiàn)出較佳的性能優(yōu)勢。

表2 Coil-20的實驗結果

2.2 多特征融合的物體識別

本實驗采集數(shù)據(jù)環(huán)節(jié)抓取目標數(shù)據(jù)集時應用的機械臂由康奈爾大學機器研究實驗室開發(fā)而成。由8 005 張圖像及260 個對象構成數(shù)據(jù)集，圖像拍攝和存儲利用Kinect，利用機械臂抓取目標，按特定方向和適當?shù)谋尘包c云擺放各對象和設置各圖像。同時按照24×24 的尺寸標準調(diào)整設置圖像像素大小，任何彩色與深度的圖片都涵蓋在內(nèi)，2 304 維的目標由各機械臂抓取，576維深度特征及1 728 維RGB 特征均包含在內(nèi)。

經(jīng)實驗測試得到，共有3 個節(jié)點數(shù)均為100 的隱含層包含在ELM 網(wǎng)絡模型中，識別效果良好，計算準確率結合實驗測試結果最終為90.1%；參數(shù)條件設置一致，僅有RGB 特征存在的情況下，識別率僅為83.1%。參考上述分析得出，系統(tǒng)識別精度在應用深度特征后得到顯著提升。本實驗測試的具體結果可參考表3 與表4數(shù)據(jù)。

表3 三個隱含層ELM改進K-SVD算法識別率統(tǒng)計

對比分析表3數(shù)據(jù)得出，實驗過程中采用K-SVD算法但未應用深度信息的情況下， 識別準確率為76.3%，該項參數(shù)數(shù)據(jù)在使用深度特征信息后有顯著提升，可達到81.4%的識別準確率；當深度信息匱乏的情況，ELM識別率為81.5%；新增深度信息后則增長至82.9%；除此之外，在對原始圖像融合特征進行處理的過程中，將ELM 網(wǎng)絡模型引入到前端，即使應用傳統(tǒng)K-SVD算法也能獲取89.83% 準確率較高的識別率，但是識別準確率在深度信息未涵蓋的情況下僅為83.9%。K-SVD 算法性能可通過ELM 得到顯著提升，當然算法識別準確率在多特征加入后也相應得到快速增長。

表4 多特征融合結果對比

將較低分辨率的樣本從圖像中篩選出來，然后再將其分辨率進行恢復，有利于減少傅里葉疊層成像數(shù)量。

3 結束語

本文開展基于ELM 改進K-SVD 算法的多特征融合物體成像識別分析，得到如下有益結果：

1）不論是從計算效率還是計算準確率來看，改進的K-SVD 算法表現(xiàn)出較佳優(yōu)勢。

2）K-SVD 算法性能可通過ELM 顯著提升，算法識別準確率在多特征加入后也相應快速增長。

參考文獻：

[1] 何承剛,朱友強,王斌.基于粒子群優(yōu)化的宏觀傅里葉疊層成像位置失配校準[J].光學精密工程,2022,30(23):2975-2986.

[2] 宋東翰,王斌,朱友強,等.基于多尺度特征融合網(wǎng)絡的傅里葉疊層成像[J].液晶與顯示,2022,37(11):1476-1487.

[3] 浦東,何小亮,戈亞萍,等.基于宏觀傅里葉疊層成像技術的光學傳遞函數(shù)測量[J].光學學報,2022,42(14):117-124.

[4] CHAMARA L L, ZHOU H, HUANG G B. Representational learning with ELMs for big data[J]. Intelligent Systems,IEEE,2013, 28(6):31-34.

[5] WIDROW B, GREENBLATT A, KIM Y, et al. The no-prop algorithm: a new learning algorithm for multilayer neural networks[J]. Neural Networks the Official Journal of the International Neural Network Society,2013,37(1):182-188.

[6] 毛海鋒,趙巨峰,崔光茫,等.基于傅里葉疊層顯微成像的LED陣列位置校正方法[J].光學學報,2021,41(4):103-113.

[7] 沙浩,劉陽哲,張永兵.基于深度學習的傅里葉疊層成像技術[J].激光與光電子學進展,2021,58(18):374-383.

[8] 胡躍輝,房國慶,方勇,等.基于凸優(yōu)化的傅里葉疊層成像技術研究[J].應用光學, 2021, 42(4): 651-655.

（本文來源于《電子產(chǎn)品世界》雜志2023年8月期）