摘要：针对压缩感知可解释性的问题,首先回顾了基于深度学习的压缩感知方法发展历程及存在问题,阐述了算法展开方法的研究背景和重要意义,并对主流的算法展开网络及特点进行分析总结;然后根据传统迭代算法,将算法展开网络进行分类,并选择三个具有代表性的算法,分别为迭代收缩阈值算法、近似消息传递算法和交替方向乘子法,概述其相应的原理,分析这三种算法的网络展开方式、网络特点和实验仿真效果;最后从具体展开方式的设计、展开网络的理论分析和展开网络在资源受限平台下的实施这三方面,探讨了可解释性压缩感知领域中算法展开技术存在的问题和下一步研究的方向.

摘要：针对图像盲去模糊问题,基于变分模型的迭代优化展开形式设计了相应的变分深度学习网络,有效克服了传统变分方法计算效率低和深度学习方法可解释性差的问题。设计网络包含2部分:利用算法展开策略实现基于L_(0)正则化估计模糊核的子网络;基于估计的模糊核及图像恢复正则化模型的非盲去卷积子网络,该子网络充分利用了双通道的编解码网络结构。为确保模糊核估计的准确性和图像内容的一致性,损失函数由均方误差损失和结构相似性损失构成。L_(0)正则化的使用有助于快速准确地完成模糊核估计;图像恢复正则化模型的使用有助于边缘和图像细节的保持。在Levin数据集上的试验结果表明,所提算法在峰值信噪比上较目前先进算法至少提高了2.14 dB。

摘要：基于变分的图像恢复模型可设计高效的即插即用算法,但涉及较多的超参数调节,且去噪器模块通常选择传统深度学习方法,网络层数和训练参数较多。针对此问题,在变分模型算法展开——半二次分裂方法基础上采用径向基函数近似非线性扩散模型的激活函数、采用Gabor基近似卷积核,进而设计了高效紧致的图像恢复深度学习卷积神经网络。Gabor基比离散余弦变换基包含更丰富的方向、尺度信息,可设计高效、紧致的网络结构。与非线性反应扩散模型相比,模型针对图像去噪在噪声级为15、25、50对应的峰值信噪比高出0.14 dB、0.7 dB、0.7 dB,在其它图像问题中也展现出良好的恢复效果。提出的框架不仅能够推广到其它图像恢复任务,还可拓展到其它图像分析与处理的深度学习卷积神经网络设计。

摘要：航空发动机故障预测与健康管理是提高航空发动机安全性、可靠性以及经济可承受性的关键技术。基于深度学习的人工智能方法在机械故障诊断领域受到广泛关注并开展了深入研究,但现有深度学习“黑箱算法”的现状仍然存在模型可解释性差、理论基础薄弱等问题。针对航空发动机健康管理与智能运维的迫切需求,提出航空发动机可解释性智能监测诊断网络,并在某型涡扇发动机整机长试试验中验证了异常检测与中介轴承故障诊断的有效性。将发动机振动信号先验信息融入稀疏表示模型,对模型的迭代求解算法进行展开得到结构具有可解释性的核心网络;针对航空发动机异常检测与智能诊断任务构造了基于对抗训练框架的可解释性异常检测子网络和基于特征提取框架的可解释性故障诊断子网络。本文提出的基于迭代算法展开的网络构造框架具备明确的理论基础,即网络设计有依据;稀疏表示模型驱动的可视化方法能够检验网络是否学到了与发动机故障相符的有意义的特征,即学习结果可信任。最后,通过某型涡扇发动机整机长试试验积累的超过500小时的试车数据,验证了本文提出的模型驱动的可解释性智能监测诊断网络在航空发动机异常检测与中介轴承故障诊断方面的有效性与可靠性。