基于PSO-SVM的仿生肌电假手反馈控制系统设计

针对目前研究的肌电假手的控制方式存在不直观、不灵活,缺乏多感知功能等缺陷,设计了一种具有模式识别和多感知功能的肌电假手的控制方法。该方法采用粒子群优化算法改进的支持向量机(PSO-SVM)构建动作分类器,实现肌电假手动作的模式识别与在线控制。利用经验模态分解法分解滑觉信号,引入模糊逻辑控制,对硬度、滑觉程度不同的物体,实现握力的自适应调节。实验结果表明:采用PSO-SVM算法在线控制肌电假手的识别率高达93.6%,同时PSO-SVM假手在抓握目标过程中能够及时可靠的完成抓握控制任务,具有较高的稳定性,实现滑觉、硬度反馈在模式识别假肢上的实际应用。     

基于微处理器的多功能肌电假肢控制系统

目前的商业化肌电假肢存在使用困难、训练过程长、控制不自然等问题。本文设计并实现了一种肌电假肢控制系 统,该系统包括基于微处理器的肌电假肢控制器与基于计算机的多功能假肢临床训练软件,并使用模式识别分类算法判 断动作类型。假肢控制器可佩带在使用者身上,有望实现多自由度肌电假肢的灵活控制。     

基于天牛须搜索的粒子群优化算法求解投资组合问题

粒子群算法（PSO）作为一种群智能算法,有效提高了投资组合模型的实用性,但存在搜索精度较低和易陷入局部最优的缺陷.为克服其缺点,本文提出基于天牛须搜索（BAS）的粒子群优化算法（简称BSO）,并将其应用到包含完整费用的投资组合模型中.在基于天牛须搜索的优化算法中（BSO）,每个粒子的更新规则源自BAS,在每次迭代中都有自己对环境空间的判断,而不仅依赖于PSO中历史最佳解决方案和粒子个体的当前全局最优解,从而减少迭代次数、提高搜索速度和精度.实证结果表明算法更具稳定性和有效性.     

针对上肢高位截肢者的肌电假肢设计

给出了一种基于人体表面肌电信号控制的上肢假肢系统,服务于基于靶向肌肉神经移植术的高位截肢者.通过解析人体肌电信号包含的动作意图控制假肢的运动.系统包括假肢的机械结构、控制系统的硬件和算法.假肢的机械结构包括肘关节、腕关节和手部.控制系统的硬件包括主控板、驱动板和肌电采集模块.模式识别算法采用基于贝叶斯原理的线性分类器,通过在线实时训练,得到需要的线性分类器参数.根据得到的分类器模型,对采集到的肌电信号进行在线实时识别,并根据识别的结果实时控制相应假肢关节的运动.系统样机在健康受试者身上进行了测试,效果良好.     

基于免疫粒子群优化算法的增量式PID控制

基于粒子群优化算法的收敛速度快简单易实现的特点和免疫算法的免疫记忆、免疫自我调节和多峰值收敛的特点,本文设计出免疫粒子群算法,并将其应用于PID控制器中。仿真结果表明,免疫粒子群优化算法适用于增量式PID控制,并且基于免疫粒子群优化算法的增量式PID控制的跟踪效果和抗干扰能力比粒子群优化算法的PID控制和基于免疫算法的增量式PID控制跟踪效果和抗干扰能力都要好。     

一种新的基于PSO的MPC及其硬件实现

模型预测控制(MPC)在流程工业中应用已经比较成熟.其核心为在线求解二次规划(QP)问题,运算负荷大时延长,对控制器的运算能力要求高,阻碍了MPC向更深更广的应用领域拓展.为解决上述问题,从算法本身和硬件平台2个方面入手,提出了MPC算法一种新的实现方案.新的以粒子群优化算法(PSO)为核心的MPC算法很好地解决了带约束的二次规划问题,并且以可编程逻辑门阵列(FPGA)为平台用实现了PSO-MPC控制器.这一方案使得MPC可以应用在控制器体积受限,采样频率高的运动控制场合.     

基于混合粒子群算法的RBF神经网络参数优化

针对径向基函数（RBF）神经网络中心参数的优化问题，提出了一种混合粒子群优化算法。该算法应用灰色关联理论定义了粒子群的灰色相似度，分两个阶段对标准的粒子群优化算法（PSO）的全局和局部搜索能力做了改进和提高。在仿真实验中，应用该方法对典型的Mackey-Glass混沌时间序列进行了预测。并与标准的K均值算法、遗传算法和粒子群算法进行了比较，其结果表明，所预测的各项误差均低于其他常规算法的预测结果。     

大型客机迎角保护控制器设计研究

针对采用硬限制的方法设计的迎角保护控制器存在操纵空行程,难以保证满意的操纵控制效果,提出了一种免疫粒子群算法的迎角保护控制器设计方法。首先根据软保护的原理设计了一种迎角/C*指令前馈-无差控制的迎角保护控制器,系统性能指标选择合适的参考模型,并设定合理的目标函数,最后引入免疫粒子群优化算法进行了控制器参数的自动寻优。仿真结果表明,基于免疫粒子群算法所设计的迎角保护控制器,能有效地选取最优的控制器参数,使迎角和过载均响应在最大保护迎角和过载限制内,达到了良好的控制效果。     

基于交替混沌粒子群算法的恒温箱PID控制

为满足目前市场对恒温箱系统越来越高的性能要求,设计了一种高性能的恒温箱控制系统.基于PIC16F877A芯片完成系统硬件设计,并采用PID算法作为控制策略.结合混沌的遍历性和粒子群算法的快速趋同效应,设计了一种新型的交替混沌粒子群(ACPSO)优化算法用以整定PID控制器的参数.通过与收缩因子粒子群算法(CPSO)和变...     

多量子粒子群协同优化算法研究

针对标准粒子群优化（PSO）算法及其改进算法存在的局部收敛与收敛速度问题,提出了一种多量子粒子群协同优化（QPSCO）方法。该算法采用双层的多粒子群协同优化结构：用多个量子粒子群在底层独立地搜索解空间,同时引入参数变异策略,以扩大搜索范围;上层用1个量子粒子群追逐当前全局最优解,并对飞离搜索区域粒子的位置用新位置取代,以加快算法收敛。在此基础上,将该算法应用于实际控制系统低阶时滞对象的PID控制器设计中。仿真结果表明,QPSCO是一种有效的参数优化算法,与标准PSO、QPSO等算法相比具有更好的全局收敛性能。     

基于卷积神经网络的面罩语音识别

针对带噪面罩语音识别率低的问题,结合语音增强算法,对面罩语音进行噪声抑制处理,提高信噪比,在语音增强中提出了一种改进的维纳滤波法,通过谱熵法检测有话帧和无话帧来更新噪声功率谱,同时引入参数控制增益函数;提取面罩语音信号的Mel频率倒谱系数(MFCC)作为特征参数;通过卷积神经网络(CNN)进行训练和识别,并在每个池化层后经局部响应归一化(LRN)进行优化.实验结果表明:该识别系统能够在很大程度上提高带噪面罩语音的识别率.     

基于多种LBP特征集成学习的人脸识别*

单一的特征与分类器只能对限定条件下的人脸进行较好的识别,当在非限定条件下(如光照、背景等发生变化时)将出现人脸识别率较低问题,针对该问题,提出了一种基于多种局部二进制特征集成学习的人脸识别算法。首先,使用监督梯度下降法 (SDM)对人脸特征点定位,应用中心对称局部二进制(CSLBP)算子提取每个特征点邻域特征,将所有人脸特征点邻域特征合成为精细的纹理特征;同时运用分区LBP直方图算法提取人脸区域的微观空间结构特征;然后,使用K最近邻算法(KNN)和支持向量机(SVM)分别训练这两种特征,得到类别排序列表和投票决策矩阵;最后,利用加权求和的规则融合决策矩阵,构成最优集成分类器,从而得到输出类别。通过在非限制性人脸库LFW上实验结果表明,所提算法采用集成的方法明显优于单一的特征和分类器。     

Incremental learning for online tool condition monitoring using Ellipsoid ARTMAP network model

In this paper, an Ellipsoid ARTMAP (EAM) network model based on incremental learning algorithm is proposed to realize online learning and tool condition monitoring. The main characteristic of EAM model is that hyper-ellipsoid is used for geometric representation of categories which can depict the sample distribution robustly and accurately. Meanwhile, adaptive resonance based strategy can realize the update of the hyper-ellipsoid node locally and monotonically. Therefore, the model has strong incremental learning ability, which guarantees the constructed classifier can learn new knowledge without forgetting the original information. Based on incremental EAM model, a tool condition monitoring system is realized. In this system, features are firstly extracted from the force and vibration signals to depict dynamic features of tool wear process. Then, fast correlation based filter (FCBF) method is introduced to select the minimum redundant features adaptively so as to decrease the feature redundancy and improve classifier robustness. Based on the selected features, EAM based incremental classifier is constructed to realize recognition of the tool wear states. To show the effectiveness of the proposed method, multi-teeth milling experiments of Ti-6Al-4V alloy were carried out. Moreover, to estimate the generation error of the classifiers accurately, a five-fold cross validation method is utilized. By comparison with the commonly used Fuzzy ARTMAP (FAM) classifier, it can be shown that the averaging recognition rate of EAM initial classifier can reach 98.67%, which is higher than FAM. Moreover, the incremental learning ability of EAM is also analyzed and compared with FAM using the new data coming from different cutting passes and tool wear category. The results show that the updated EAM classifier can get higher classification accuracy on the original knowledge while realizing effective online learning of the new knowledge.     

遗传小脑神经网络在液位控制中的应用

针对非线性液位控制问题，提出了一种采用遗传小脑模型神经网络（CMAC）的学习控制方法；该控制器采用遗传算法作为CMAC神经网络的学习算法，给出了具体的控制结构和算法；仿真结果表明，该控制器具有良好的处理非线性以及跟踪连续变化信号的能力，并对时变外负载干扰具有明显的抑制作用，而且新型控制器能使用较高的学习速率，学习速度快，适于在线学习控制。     

PID补偿的完全在线序贯极限学习机控制器在输入扰动系统自适应控制中的应用

针对输入受外界扰动的系统在实现自适应控制难的问题,提出一种比例-积分-微分（PID）补偿的完全在线序贯极限学习机（FOS-ELM）控制器设计方法。首先,建立系统的动态线性模型,采用FOS-ELM算法设计控制器并学习其参数;其次,计算系统的实际输出误差,结合系统的控制误差,设计所需补偿的PID增量参数;最后,对PID补偿的FOS-ELM控制器参数在线调整并用于系统控制。在发动机空气燃油比（AFR）控制系统模型上进行实验,实验结果表明上述方法在实现自适应控制的同时降低了系统扰动输入带来的干扰,提高了系统有效控制率,在正负干扰系数为0.2时,其有效控制率从不足53%提高到93%以上。同时该方法易于实现,具有很强的鲁棒性和实用价值。     

基于优化卷积神经网络结构的交通标志识别

现有算法对交通标志进行识别时,存在训练时间短但识别率低,或识别率高但训练时间长的问题。为此,综合批量归一化（BN）方法、逐层贪婪预训练（GLP）方法,以及把分类器换成支持向量机（SVM）这三种方法对卷积神经网络（CNN）结构进行优化,提出基于优化CNN结构的交通标志识别算法。其中：BN方法可以用来改变中间层的数据分布情况,把卷积层输出数据归一化为均值为0、方差为1,从而提高训练收敛速度,减少训练时间;GLP方法则是先训练第一层卷积网络,训练完把参数保留,继续训练第二层,保留参数,直到把所有卷积层训练完毕,这样可以有效提高卷积网络识别率;SVM分类器只专注于那些分类错误的样本,对已经分类正确的样本不再处理,从而提高了训练速度。使用德国交通标志识别数据库进行训练和识别,新算法的训练时间相对于传统CNN训练时间减少了20.67%,其识别率达到了98.24%。所提算法通过对传统CNN结构进行优化,极大地缩短了训练时间,并具有较高的识别率。     

基于模糊自适应共振理论映射算法的单样本三维人脸识别

针对传统的三维人脸识别分类算法大多需要多个样本进行训练,而在单训练样本的前提下识别性能会严重降低的问题,提出了基于模糊自适应共振理论映射(Fuzzy ARTMAP)的算法对三维人脸数据库进行分类识别。首先对三维人脸深度图像进行局部二值模式(LBP)统一模式算子的特征提取,再对LBP特征进行Log-Gabor小波变换,提取图像的频域特征向量作为训练的输入向量,最后将单样本训练向量集送入Fuzzy ARTMAP分类器进行训练识别。该算法在FRGC v2.0三维人脸数据库中的识别率可达到87.15%,分类器的训练时间为24.88s,单张待识别人脸样本与单张已注册的人脸匹配时间为0.0015s,一张新的人脸样本在数据库完成一次搜索匹配则需要1.08s。实验结果表明,所提方法在测试中的性能优于概率神经网络(PNN)和极限学习机神经网络(ELM),既能保证较高的识别率,又能拥有较短的训练时间,且时间增幅稳定,可控性强。     

改进的基于增强型HOG的行人检测算法

行人检测在人工智能系统、车辆辅助驾驶系统和智能监控等领域具有重要的应用,是当前的研究热点.针对HOG特征不明显、支持向量机（SVM）分类器计算复杂度高,导致识别率低和检测速度慢的问题,本文提出了一种改进的基于增强型HOG的行人检测算法.该算法首先预处理原始图像并提取其HOG特征,然后增强该特征生成增强型HOG,经XGBoost分类器进行行人检测.在INRIA数据集上进行测试,实验结果表明所提算法识别率高达95.49%,有效地提高了行人检测性能.     

基于MFCC和短时能量混合的异常声音识别算法

针对现行异常声音识别算法复杂度高和特征识别率低的问题,将梅尔频率倒谱系数（MFCC）与短时能量混合特征应用到异常声音识别系统中。该混合特征使得高斯混合模型（GMM）分类器可获得比使用MFCC特征及其差分MFCC更好的分类性能。给出了系统实现的具体步骤,并通过仿真实验证明了该算法的有效性,分类器的平均识别率可达到90%以上,并且计算复杂度小。     

基于SVM-KNN算法的情绪脑电识别

情绪识别与日常生活的诸多领域都有很大联系.然而,通过单一算法难以获得较高的情绪识别准确率,为此,提出一种基于支持向量机(support vector machine,SVM)和K近邻(K-nearest neighbors,KNN)融合算法(SVM-KNN)的情绪脑电识别模型.在情绪分类时,首先计算待识别样本与最优分类...