0 引言

作為一項(xiàng)重要可用于恢復(fù)樣品高分辨率和相位的技術(shù)，近幾年來傅里葉疊層成像(FP) 取得顯著進(jìn)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(yùn)行設(shè)施及FP 技術(shù)所需算法，實(shí)現(xiàn)的功能還包括三維重聚焦^[3,4]。在處理稀疏矩陣時(shí)應(yīng)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(zhǔn)確預(yù)測及高效運(yùn)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(jìn)行改進(jìn)。在推薦算法中早已應(yīng)用SVD 技術(shù)，表現(xiàn)出較強(qiáng)的降維性能，結(jié)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(lǐng)域應(yīng)用SVD 技術(shù)，該算法被應(yīng)用于推薦算法中，確定維數(shù)完成預(yù)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(xiàng)目特征向量矩陣分解高維用戶- 項(xiàng)目評分矩陣，維數(shù)確定需結(jié)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(jìn)處理實(shí)現(xiàn)，并成功應(yīng)用于多特征融合物體成像識別領(lǐng)域。

1 ELM改進(jìn)K-SVD算法

1.1 SVD梯度下降法

針對以SVD技術(shù)為基礎(chǔ)的推薦算法，應(yīng)用梯度下降法獲取的優(yōu)化效果較佳，優(yōu)化原理為：將點(diǎn)集(X, Y)預(yù)先設(shè)置，特征變量及預(yù)測值分別對應(yīng)X 和Y 變量，通過迭代學(xué)習(xí)對某X 特征采用機(jī)器學(xué)習(xí)模式查詢獲取估計(jì)函數(shù)，然后再獲取估計(jì)值Y，通過該函數(shù)預(yù)測新數(shù)據(jù)^[7]。設(shè)定點(diǎn)集X 內(nèi)第n 個(gè)特征分量為x_n，構(gòu)建變量X = (x₁,x₂, ... x_n)，擬合函數(shù)h(x) 表達(dá)式為：

h(x)=a₀+a₁x₁+a₂x₂+...a_nx_n

式中，a 參數(shù)需通過迭代運(yùn)算求解。同時(shí)判斷真實(shí)值與預(yù)測值間的差異時(shí)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(gè)曲面或一條曲線代替J(a)，同時(shí)參考數(shù)學(xué)分析理論基礎(chǔ)，通過計(jì)算曲面或最低點(diǎn)替代最小值求解問題^[8]。然后以最快速度并結(jié)合梯度最大方向完成最值搜索，求導(dǎo)J(a)后再按上述步驟進(jìn)行求解。按照以下形式調(diào)整a表達(dá)式：

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

學(xué)習(xí)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(dá)到。

按照以下步驟應(yīng)用梯度下降法完成計(jì)算：

第1步：確定初始值h 及誤差閾值ε，同時(shí)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(jì)算

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

1.2 訓(xùn)練ELM算法

訓(xùn)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(biāo)簽值的判定則需依據(jù)重構(gòu)誤差最小準(zhǔn)則。

訓(xùn)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(xué)習(xí)參數(shù)用β 表示。同時(shí)選用單隱層ELM算法解析算法各層及前一層，有利于訓(xùn)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(xué)習(xí)機(jī)網(wǎng)絡(luò)模型的構(gòu)建，實(shí)現(xiàn)自編碼功能，訓(xùn)練參考以上步驟進(jìn)行。

圖1 ELM改進(jìn)K-SVD算法流程圖

2 物體識別的應(yīng)用

2.1 物體識別

在Coil-20 數(shù)據(jù)集中驗(yàn)證ELM 算法。旋轉(zhuǎn)10°后再對每個(gè)物體進(jìn)行照片采集，共計(jì)獲得36×20 張圖片。采用隨機(jī)方式，在識別物體的過程中進(jìn)行訓(xùn)練選取圖片為18×20 個(gè)，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(diǎn)在K-SVD 算法中的設(shè)定，然后完成20 個(gè)節(jié)點(diǎn)的選取，各個(gè)節(jié)點(diǎn)識別率在ELM 算法隱含層中的測試結(jié)果如表1所示。

表1 ELM算法的識別率

為全方位評價(jià)字典學(xué)習(xí)結(jié)果，K-SVD 學(xué)習(xí)字典情況依據(jù)ELM 算法獲取，具體結(jié)果見圖2。通過ELM 算法，同時(shí)結(jié)合圖2 詳細(xì)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(yù)處理前后的字典

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

表2 Coil-20的實(shí)驗(yàn)結(jié)果

2.2 多特征融合的物體識別

本實(shí)驗(yàn)采集數(shù)據(jù)環(huán)節(jié)抓取目標(biāo)數(shù)據(jù)集時(shí)應(yīng)用的機(jī)械臂由康奈爾大學(xué)機(jī)器研究實(shí)驗(yàn)室開發(fā)而成。由8 005 張圖像及260 個(gè)對象構(gòu)成數(shù)據(jù)集，圖像拍攝和存儲利用Kinect，利用機(jī)械臂抓取目標(biāo)，按特定方向和適當(dāng)?shù)谋尘包c(diǎn)云擺放各對象和設(shè)置各圖像。同時(shí)按照24×24 的尺寸標(biāo)準(zhǔn)調(diào)整設(shè)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(biāo)由各機(jī)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(shí)驗(yàn)測試得到，共有3 個(gè)節(jié)點(diǎn)數(shù)均為100 的隱含層包含在ELM 網(wǎng)絡(luò)模型中，識別效果良好，計(jì)算準(zhǔn)確率結(jié)合實(shí)驗(yàn)測試結(jié)果最終為90.1%；參數(shù)條件設(shè)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(yīng)用深度特征后得到顯著提升。本實(shí)驗(yàn)測試的具體結(jié)果可參考表3 與表4數(shù)據(jù)。

表3 三個(gè)隱含層ELM改進(jìn)K-SVD算法識別率統(tǒng)計(jì)

對比分析表3數(shù)據(jù)得出，實(shí)驗(yàn)過程中采用K-SVD算法但未應(yīng)用深度信息的情況下， 識別準(zhǔn)確率為76.3%，該項(xiàng)參數(shù)數(shù)據(jù)在使用深度特征信息后有顯著提升，可達(dá)到81.4%的識別準(zhǔn)確率；當(dāng)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(jìn)行處理的過程中，將ELM 網(wǎng)絡(luò)模型引入到前端，即使應(yīng)用傳統(tǒng)K-SVD算法也能獲取89.83% 準(zhǔn)確率較高的識別率，但是識別準(zhǔn)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(dāng)然算法識別準(zhǔn)確率在多特征加入后也相應(yīng)得到快速增長。

表4 多特征融合結(jié)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(jìn)行恢復(fù)，有利于減少傅里葉疊層成像數(shù)量。

3 結(jié)束語

本文開展基于ELM 改進(jìn)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(jié)果：

1）不論是從計(jì)算效率還是計(jì)算準(zhǔn)確率來看，改進(jìn)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(zhǔn)確率在多特征加入后也相應(yīng)快速增長。

參考文獻(xiàn)：

[1] 何承剛,朱友強(qiáng),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(zhǔn)[J].光學(xué)精密工程,2022,30(23):2975-2986.

[2] 宋東翰,王斌,朱友強(qiáng),等.基于多尺度特征融合網(wǎng)絡(luò)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(shù)的光學(xué)傳遞函數(shù)測量[J].光學(xué)學(xué)報(bào),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(xué)學(xué)報(bào),2021,41(4):103-113.

[7] 沙浩,劉陽哲,張永兵.基于深度學(xué)習(xí)的傅里葉疊層成像技術(shù)[J].激光與光電子學(xué)進(jìn)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(shù)研究[J].應(yīng)用光學(xué), 2021, 42(4): 651-655.

（本文來源于《電子產(chǎn)品世界》雜志2023年8月期）