传统特征匹配方法（如尺度不变特征变换，SIFT）通常利用图像灰度或梯度信息检测并描述特征点；然而，灰度与梯度均对非线性辐射畸变（nonlinear radiation distortions, NRD） 敏感。针对这一问题，本文提出一种对大幅 NRD 具有鲁棒性的新型特征匹配算法，该算法被命名为辐射变化不敏感特征变换（radiation-variation insensitive feature

医学图像融合是将不同模态的医学图像信息融合成一幅图像的过程，可以提高图像质量，提供更全面的诊断信息。本文提出了一种基于非下采样轮廓波变换（NSST）、多尺度形态梯度（MSMG）和脉冲耦合神经网络（PCNN）的医学多模态图像融合算法。该算法首先利用NSST对源图像进行分解，提取不同尺度和方向上的图像特征；然后使用MSMG增强图像边缘信息；最后利用PCNN对融合图像进行优化处理。实验结果表明，该算法在

心房颤动（Atrial Fibrillation, AF）和心房扑动（Atrial Flutter, AFL）是最常见的心律失常之一，严重威胁着人类健康。理解其病理生理机制对于预防、诊断和治疗具有重要意义。传统的研究方法主要集中于临床观察、动物实验和基于微分方程的数学建模，但这些方法在模拟复杂心脏电生理活动、尤其是处理心房颤动的时空异质性和非线性特性方面存在一定的局限性。

摘要:图像加密技术在信息安全领域至关重要，如何提高加密算法的安全性、效率和鲁棒性是当前研究的热点。本文提出了一种基于Zernike矩量化的图像加密方法。该方法利用Zernike矩的正交性和完备性，将图像信息转化为Zernike矩系数，并结合混沌映射和置乱技术对系数进行加密处理，最终实现对图像的有效保护。本文详细阐述了算法的原理、步骤及安全性分析，并通过实验结果验证了该方法的有效性和优越性。关键词:

MOEAO 是 2025 年发表于《The Journal of Supercomputing》的原创多目标优化算法，其灵感源于生物体内酶的催化机制 —— 通过模拟酶与底物的特异性结合、动态催化及环境适应过程，构建兼具探索广度与开发精度的优化框架。相较于传统多目标进化算法（MOEA），MOEAO 创新性地将 "酶浓度调控"" 催化效率自适应 " 等生物学特性转化为数学算子，实现冲突目标的高效权衡。

摘要: 电力系统日益复杂和智能化的发展，对功率优化提出了更高的要求。传统的最优功率潮流（Optimal Power Flow，OPF）问题求解常常面临收敛速度慢、容易陷入局部最优等问题。本文探讨了基于改进教学的优化算法（Teaching-Learning-Based Optimization，TLSBO）在OPF问题中的应用，并针对传统TLSBO算法的不足，提出了改进的算法框架。通过对算法的教学因

多变量回归预测旨在通过多个自变量来预测一个因变量的值，在众多领域都有广泛应用。例如在经济领域，通过利率、通货膨胀率、失业率等多个经济指标预测国内生产总值；在气候研究中，依据温度、湿度、风速等多个气象要素预测降水量。然而，现实世界中的多变量数据往往具有高度复杂性，变量之间存在复杂的非线性关系，传统的线性回归方法难以准确捕捉这些关系，因此需要更强大的模型来进行多变量回归预测。

BP 神经网络简介：BP（Back Propagation）神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。它由输入层、隐含层和输出层组成，层与层之间通过权值连接。在回归预测任务中，BP 神经网络旨在学习输入变量与输出变量之间的复杂非线性关系。通过将输入数据经过隐含层的非线性变换，最终在输出层得到预测值。BP 神经网络的局限性：尽管 BP 神经网络具有强大的非

坐标转换基础：在计算机视觉和几何变换领域，将点从一个坐标系转换到另一个坐标系通常通过一个包含旋转矩阵 R 和平移向量 t 的转移矩阵来实现。对于相机坐标系下的点 Pc，要将其转换到目标坐标系 {W} 下成为 Pw，转换公式为 Pw=R⋅Pc+t，其中 Pc 和 Pw 通常表示为齐次坐标形式，以便统一处理旋转和平移操作。旋转矩阵 R 描述了坐标系之间的旋转关系，它是一个 3×3 的正交矩阵，满足 R

电力系统发展与挑战：随着我国社会经济建设的快速发展，电力系统技术不断进步，正朝着智能电网的目标迈进，不同规模智能电网的互连实现了电力资源的优化分配。配电网处于电力系统末端，不仅为用户提供稳定供电，还负责合理分配各节点负荷，在电力系统中具有关键作用。然而，电力系统在突发事件，特别是自然灾害面前表现出显著的脆弱性，国内外各类电力事故频发，严重影响电力系统稳定和社会经济发展。