تلقى نموذج فك الخلط الخطي اهتمامًا واسعًا نظرًا لكفاءته (سهولة الحساب والقابلية للتوسع)، والمعنى الفيزيائي الواضح وسهولة المعالجة. من بين مختلف طرق فك الخلط الخطي، أظهرت تقنيات فك الخلط باستخدام التشفير الذاتي مزايا ملحوظة من حيث قدرة ملاءمة البيانات واستخراج الميزات العميقة. ومع ذلك، لهذا النهج أيضًا بعض القيود. على سبيل المثال، يؤدي وجود ضوضاء في بيانات الإدخال إلى انخفاض قدرة النموذج على التعميم أثناء المعالجة؛ وعند التعامل مع ميزات متعددة المقاييس، غالبًا ما توجد بعض المشاكل الزائدة؛ كما أن ضمان تعقيد حسابي خطي مع الحفاظ على الاعتماد طويل المدى يتطلب فهمًا عميقًا للخصائص الفضائية والطيفية. لذلك، اقترحت هذه الورقة وحدة الانتباه الذاتي لمعالجة إزالة الضوضاء من الصور الطيفية، وقدمت نموذجًا جديدًا قائمًا على نموذج Mamba للصور الطيفية. أولًا، تم تصميم كتلة Mamba مكانية لاستخراج الميزات المكانية؛ ثم من الناحية الطيفية، تم اقتراح كتلة Mamba طيفية؛ وأخيرًا، تم تقسيم المتجهات الطيفية إلى مجموعات متعددة لاستكشاف العلاقات بين المجموعات الطيفية المختلفة واستخراج الميزات الطيفية. تم دمج هذه الوحدات الثلاث في شبكة ترميز ذاتي متعددة المراحل باستخدام الالتفاف لتشكيل إطار فك الخلط بواسطة انتباه Mamba متعدد المراحل PSAMN. أجريت تجارب مقارنة للنموذج PSAMN المقترح في هذه الورقة على مجموعات بيانات طيفية تركيبية وحقيقية. أظهرت النتائج التجريبية أن نموذج فك الخلط المقترح أكثر فعالية وتنافسية مقارنة بالخوارزميات الحالية.

فك خلط طيفي عالي; التعلم العميق; نموذج مامبا; وحدة الانتباه الذاتي; كتلة مامبا