新刊速递 | 《南京信息工程大学学报》2026年第2期目次

作者：邓训彬，孙海信，陈德喜

DOI:10.13878/j.cnki.jnuist.20250419001

摘要：辐射源识别在现代通信、雷达监测及电子对抗领域具有关键作用，其目标是从复杂电磁环境中快速、准确地定位与分类多种类型的辐射源，以支撑频谱管理、安全监测和战场态势感知。传统的时域、频域与时频域信号处理方法，以及依赖手工设计特征的机器学习算法，在高噪声、低信噪比和多径干扰条件下，往往难以兼顾信号幅度与相位的耦合信息。复值神经网络（CVNN）通过在复数域内直接对Ｉ/Ｑ数据建模，实现了对幅度-相位特征的完整表征，显著提升了低信噪比环境下的识别精度与抗干扰能力。本文系统梳理了（CVNN）在辐射源识别中的研究成果：首先回顾了复值卷积神经网络（CV-CNN）在时频图像特征提取与模型轻量化压缩方面的创新；随后评述了复值循环神经网络（CV-CNN）在时序特征建模与增量识别中的应用，并深入探讨了将注意力机制、自监督学习及对抗训练策略融入复值框架以强化模型泛化与鲁棒性的路径；最后，针对当前方法在参数初始化、训练稳定性、算力消耗及小样本迁移学习等方面的技术瓶颈，提出了面向边缘计算设备的轻量化网络设计、复数域数据增强与多模态融合等未来研究方向，以期为提升辐射源识别系统的实时性与可靠性提供指导。

作者：尚秋峰，谢晓宇

DOI:10.13878/j.cnki.jnuist.20250402006

摘要：应用含注意力机制的网络模型进行模式识别已成为相位敏感光时域反射计（Phase-senstive Optical Time Domain Reflectometer，Φ-OTDR）周界安防领域的研究热点。针对周界安防信号时序图像，本文提出一种基于可解释性全特征注意力机制的卷积网络模型。以VGG模型架构为基础，引入深度可分离卷积模块和Leaky ReLU激活函数构成全新的卷积模块，提高模型实时性。为增强卷积模型的全局信息提取能力和可解释性（即特征重要性评价能力），采用元卷积核代替空间注意力机制的池化层，从而设计了可解释性全特征注意力机制，并将其添加到卷积模块和全连接层之间。采用实验获得Φ-OTDR周界安防信号，对本文所提网络和典型的ANN、CNN、VGG、CNN-CBAM-BiLSTM、CNN-LSTM进行对比实验。结果表明：本文模型特征提取过程可解释性强，对测试样本的识别准确率达99.06% , 在95%置信水平下对周界安防信号的平均置信区间为【0.960 6,0.999 2】，F1-score达到0.992 2，性能优于对比模型。

作者：吴志强，熊邦书，陈九九，欧巧凤，饶智博，余磊

DOI:10.13878/j.cnki.jnuist.20250320004

摘要：针对动态场景下拍摄的图像存在运动模糊现象，进而导致图像质量下降、细节信息丢失严重的问题，本文提出一种基于双域特征融合的多尺度运动图像去模糊方法。首先，设计了一个双域特征融合模块，采用双分支结构并行地从模糊图像中提取空间域特征和频域特征，并对双域特征进行深度融合，提高网络模型对高频细节的特征表示能力。然后，设计了一个多尺度特征聚合模块，使用跨通道自注意力聚合不同尺度模糊图像的编码特征，动态调整不同尺度特征图的权重，增强模型的鲁棒性。最后，对训练损失函数进行改进，采用结合内容损失、小波域重构损失和边缘损失的联合多尺度损失函数监督网络模型的训练，进一步提高去模糊效果。在GoPro和HIDE两个公共数据集上，与主流方法开展对比实验，结果表明本文方法的PSNR（峰值信噪比）分别达到32.56和30.76dB，均优于其他对比方法，可以有效提升去模糊的效果，具有良好的鲁棒性。

作者：张宇轩，林贤煊，王爽，潘志庚

DOI:10.13878/j.cnki.jnuist.20250213001

摘要：针对虚拟运动中无法有效识别用户情感的问题，本文提出一种基于面部图像和心率变异性模态的多模态融合情感识别算法。通过分析捕捉面部图像和心率变异性两种模态下的数据信息，敏锐洞察用户的情绪变化，进而为用户打造贴合其当下状态的个性化人机交互体验。首先设计多模态融合Transformer对面部图像和心率变异性进行多模态互补学习，然后使用多模态特征融合将融合特征与原始特征进行拼接，同时，使用轻量化自注意力机制学习多模态内的高级表示。最终在两个公开数据集上进行了大量实验，结果显示所提出的方法具有更好的性能。实验结果表明，所提出的方法切实有效，可以指导用户体验系统的设计和开发。

作者：李文瑶，杜洪波，张琪

DOI:10.13878/j.cnki.jnuist.20250424001

摘要：针对文本生成图像算法存在的部分特征缺失、生成图像质量低及布局属性不匹配等问题，提出一种基于改进稳定扩散模型的文本生成图像算法（ISD-NC）。通过引入判别器来最大化潜在表征和浅层特征的互信息，提高潜在表征与浅层特征的相似度，保留原始图像信息；根据主干网络和跳跃连接的作用，引入比例因子，动态调节特征的权重比例，提高生成图像的质量；结合NoiseCollage网络，增加布局条件，通过掩膜交叉注意力机制实现复杂的多目标文本条件的图像生成。在MS COCO数据集上与Cogview、DF-GAN、Stable Diffusion、KNN-diffusion算法进行定性和定量分析及消融实验，结果表明：ISD-NC算法生成的图像具有更优的细节保真度和生成质量；与基于扩散模型的Stable Diffusion、KNN-diffusion算法相比，FID平均降低28.99%，IS平均提升10.21%。

作者：崔勇强，周威任，毛智鹏，兰宇坤，杜飞飞，钟良

DOl:10.13878/j.cnki.jnuist.20250402005

摘要：针对低空安防领域中无人机“黑飞”“乱飞”等安全威胁以及复杂环境下实时精准预警的技术难题，本文提出一种融合YOLOv10目标检测算法与GLM-4V多模态大模型的无人机入侵实时预警系统。系统硬件由高灵敏度光电探测设备与主控计算机构成，软件集成客户端交互平台与多模态数据处理模块。在算法层面，通过YOLOv10实现无人机目标的快速定位，结合SORT算法完成动态轨迹追踪；创新性地设计基于GLM-4V的语义化描述生成框架，引入结构化Prompt模板将检测结果（目标位置、信息及背景环境）实时转化为可压缩文本描述，显著降低了通信受限场景下的信息传输负载。实验结果表明，在无人机最远距离1km、最大飞行速度23m/s的极限条件下，目标识别准确率达97.6%。该系统通过“视觉检测-语义分析-动态传输”的技术闭环，有效地解决了复杂环境下无人机入侵事件实时预警难题，为低空安防领域提供了高鲁棒性解决方案。

作者：林文轩，徐军

DOI:10.13878/j.cnki.jnuist.20250327002

摘要：针对阿尔茨海默病（AD）与认知正常（CN）患者的脑部影像分类问题，本文提出一种基于通道注意力与图注意力网络的脑部影像分类模型。首先对原始DTI影像进行标准化预处理与张量拟合，获得三维FA图，随后沿轴向逐层切片，并应用双线性插值法将所有切片统一重采样到相同的大小，在此基础上，设计了通道注意力卷积模块，通过并行卷积提取空间细节特征，同时应用自适应核长的通道间注意力机制动态重标定通道权重，有效学习并压缩局部纹理特征，经全连接层映射得到特征向量并作为后续图中的节点嵌入。然后，依据切片的空间连通性构建邻接矩阵，将切片视为图中的节点，并将节点特征向量与邻接矩阵组成图数据，输入三层堆叠的图注意力卷积层，通过可学习的注意力系数逐层聚合相邻及远邻切片信息，实现跨切片全局结构的融合。最终，经全局平均池化与全连接层输出分类结果。实验结果表明，本文提出的方法不仅在准确度和稳定性上优于传统影像分类模型，还验证了局部-全局注意力架构的优势，提供了一种从切片到图信号转换的新思路。

作者：王景琦，陈煜琦，薛强，赵瑞清，王硕禾

DOI:10.13878/j.cnki.jnuist.20250221002

摘要：为提高变电所巡检工作效率，提出一种基于深度学习的变电所扭曲变形端子标识文本检测与识别方法。端子标识检测模型以DBNet为基本框架，将原有的ResNet主干网络替换为ConvNeXt V2，利用其现代化架构设计，显著提升模型的全局信息建模能力和对端子标识的特征提取能力。为进一步提升扭曲变形端子标识检测精度，引入高效多尺度注意力模块与可变形卷积网络，有效提升全局上下文信息捕捉能力，增强对不规则文本形状的鲁棒性，优化后端子标识检测模型的F1分数达97.4%，相较原模型提高18.9个百分点，且计算量仅提高2.9%。端子标识识别模型以卷积循环神经网络为基本框架，引入空间与通道卷积优化特征提取过程，显著减少冗余特征的同时降低计算负担。在序列建模部分，采用选择性状态空间网络Mamba替代原有的长短时记忆网络，其状态空间模型与选择性机制能够对序列数据动态建模，自适应关注序列中的重要部分，显著增强了长序列依赖关系的捕捉能力，优化后的端子标识识别模型识别准确率达98.2%，较原模型提高2.7个百分点。实验结果表明，该方法对变电所端子标识中存在的扭曲变形、弱光模糊等负面因素具有优异的检测精度与识别准确率。

作者：徐烁，邹德旋，宋博，胡俊杰，张响

DOI:10.13878/j.cnki.jnuist.20250327003

摘要：针对白鲸优化算法（BWO）全局搜索与局部开发之间不平衡、收敛速度慢、早熟，以及难以跳出局部最优的问题，提出一种融合逐维高斯变异的改进白鲸优化算法（IBWO）。首先，采用新的动态参数策略调整平衡因子，实现了全局搜索和局部开发较好的平衡。其次，引入current-to-rand差分变异算子提高算法的全局搜索能力。然后，结合精英领导策略，加速算法的收敛速度。最后，根据当前最优解和当前最差解的位置，对当前最优解进行逐维高斯变异，提高算法跳出局部最优的能力。为了验证改进后算法的性能，在进化计算大会（CEC）2017测试集上与另外7种元启发式算法进行比较，实验结果表明，IBWO的寻优能力优于其他算法。将IBWO应用于3个工程问题中，结果显示，IBWO在解决复杂的现实世界优化问题上有着较好的效果。

作者：严爱军，卜宝

摘要：为实现城市固废焚烧（MSWI）过程氮氧化物（NOₓ）排放浓度的快速准确预测，本文提出了一种基于混合正则化块增量随机配置网络（MR-BSCN）的预测方法。在BSCN（Block increments Stochastic Configuration Network）完成模型训练后，通过在凸优化近似后的L₀正则化中加入动量项对模型中冗余节点进行修剪，同时为了保证修剪后模型的精度，使用L₂正则化对模型的输出权重进行微调。最终，利用北京某固废焚烧厂实际数据进行验证，结果表明，所提方法能够在BSCN快速建模的基础上，实现NOₓ浓度的准确预测且具有更紧凑的模型结构，为该参数的优化控制打下了基础。

作者：任之婧，翁理国，夏旻，刘俊

DOI:10.13878/j.cnki.jnuist.20250106001

摘要：在输电系统的监控和管理中，传统的参数辨识方法仅聚焦于单一支路的数据，忽视了整体电网拓扑中相邻支路的信息，加之外部因素导致的数据丢失和噪声等数据污染的影响，参数辨识的准确性有待提高。为此，本文提出一种以GraphSAGE为主体的图神经网络模型的方法。首先，通过图神经网络学习电网拓扑信息，并通过邻居信息聚合生成支路的隐藏层特征；然后，结合不同现实场景提出一种多任务学习策略，在优化支路参数的同时完成了对多个支路参数的联合辨识；最后，结合噪声滤波模块，为支路特征引入抗噪声因子，使模型能实现对数据丢失和噪声的有效处理，提高了鲁棒性。实验结果表明，相比传统方法，在线路参数辨识的准确性和稳定性上，本文提出的以GraphSAGE模型为主体的方法最优。

作者：张傲寒，岳东杰，赵钢，徐菲，刘丹妮，王刘宇

DOI:10.13878/j.cnki.jnuist.20250423002

摘要：针对车载LiDAR点云在道路标线识别中存在几何特征稀疏、遮挡或缺损导致标线模糊，以及复杂场景下边界辨识度低等问题，本文提出一种基于改进RandLA-Net的道路标线点云识别方法。首先，构建混合池化模块融合局部邻域与全局特征，以捕获更广泛的上下文信息；其次，设计特征对比增强模块，通过分析不同点的特征差异，并结合最大特征值和平均特征值的对比，采用特征加权策略，强化关键区域（如箭头、实线边界）的特征响应；最后，提出融合Dice与加权交叉熵的损失函数，以增强模型对边界区域的感知能力。为验证算法鲁棒性，本文构建了两个道路标线点云数据集Toronto-Rdmk和UPM-Rdmk，对其进行实验验证与分析。实验结果表明，本文方法在Toronto-Rdmk数据集上的平均交并比为69.40%，在UPM-Rdmk数据集上为49.06%，分别比RandLA-Net提高了3.17和4.23个百分点。充分证明了所提方法在复杂场景下的有效性，为大规模道路标线点云的自动化识别提供了有力支持。

作者：王兴华，董晗拓，蒙彦锡，王流火，王彦峰，贾涛

摘要：在变电站运行阶段，实景点云模型与设计阶段BIM设备三维模型在数量、位置、分布上的不一致，会阻碍BIM模型在变电站数字孪生中的实际应用。为此，本文提出一种基于一阶距离-拓扑相似性与空间位置自适应纠正的三维对象匹配方法。首先，构建三维对象一阶距离-拓扑兼容性指标，提升三维对象定位特征的表达效果；其次，提出了一种三维对象相似度计算方法，以识别和提取精准匹配对与潜在匹配对；最后，构建多视线约束方程组，实现潜在匹配对中BIM模型空间位置的迭代式自纠正。本文方法在两处变电站场景三维数据集上分别进行了实验，匹配总体精度分别达到97.92%与98.54%。实验结果表明，与当前先进方法相比，本文方法在变电站数字孪生三维对象匹配任务上具有更高的精度与可靠性。