基于小波变换的麻醉监测诱发脑电信号分析的研究

采用小波变换方法对麻醉监测脑电信号进行分析，通过基于小波变换系数的奇异值分解构造特征向量的特征提取方法提取麻醉状态下中潜伏期听觉诱发脑电的特征，并用BP网络分类器对提取的特征进行聚类，从而实现麻醉深度的估计，实验仿真结果表明了该方法的有效性．     

小波包与径向基神经网络的电力电子装置故障诊断

为提高人工神经网络对电力电子装置进行故障诊断的准确性与快速性,提出一种小波包与RBF神经网络相结合并应用于电力电子装置故障诊断的方法。以三相桥式逆变电路为例,对电路的故障信号采用小波包分解,有效地提取出故障特征后利用RBF神经网络进行训练。仿真结果表明,该方法具有更快的收敛速度和更高的诊断精度,能够有效地进行电力电子电路的故障诊断。     

基于小波变换与BP神经网络的声发射信号识别

针对现有声发射信号识别参数分析法的不足,提出利用小波变换特征提取与BP神经网络结合的声发射信号识别方法。利用db2小波对声发射信号进行6层分解,将细节特征空间的能量作为声发射信号特征向量;结合声发射信号特点设计和训练BP神经网络,通过实验确定隐层神经元数;用BP和RBF神经网络分别对腐蚀、裂纹和冷凝声发射信号进行分类测试。实验结果表明,提取的声发射信号特征具有较好的区分性能,BP网络在识别声发射信号方面优于RBF网络,这对储油罐安全状况的定量分析具有一定意义。     

基于小波神经网络的刀具切削状态特征识别

利用小波分析技术提取刀具状态信号特征量,用神经网络技术对信号的特征量进行训练仿真。结果表明,该方法实现了对刀具切削状态的特征识别。     

小波变换模极大值在诱发脑电提取中的应用

针对中潜伏期听觉诱发脑电的特点,利用信号和噪声的小波变换模极大值在分解尺度上的不同特性来滤除中潜伏期听觉诱发脑电信号中的EEG强噪声成份,重构出真实的中潜伏期听觉诱发脑电信号。通过仿真实验表明：采用小波变换模极大值技术,可以有效地提取信号,为信号特征选取提供可靠的特征分析数据。     

基于EMD和RBFNN的地铁辅助逆变器故障检测

针对地铁辅助逆变器故障信号非平稳的特征,提出了一种基于经验模态分解方法和径向基神经网络的地铁辅助逆变器的故障诊断方法,并应用经验模态分解方法对采集的非平稳的原始信号进行处理,将原始信号分解成多个平稳的本征模函数(intrinsic mode function,IMF),同时,采用K-均值聚类算法确定RBF神经网络的模型参数,并借助径向基神经网络的分类能力对特征向量进行故障检测。仿真结果表明,基于K-均值聚类算法的RBF神经网络,在48个测试样本中有46个正确,准确率为95.8%,高于标准RBF神经网络77.0%的准确率,说明其准确性明显高于标准的径向基神经网络。该研究能够满足地铁辅助逆变器故障检测对准确性的要求,可高效识别地铁辅助逆变器的故障。     

基于小波神经网络的刀具切削状态特征识别

利用小波分析技术提取刀具状态信号特征量，用神经网络技术对信号的特征量进行训练仿真。结果表明，该方法实现了对刀具切削状态的特征识别。     

一种基于Rough集和RBF网络的模拟电路故障诊断方法

提出了一种基于Rough集和RBF神经网络结合的故障诊断方法。该方法针对模拟电路的故障特征,进行粗集约简预处理研究,然后由约简后的属性构造RBF网络。仿真结果表明:在相同的精度要求下,该算法的训练时间远小于普通的进化神经网络,提高了泛化能力,对模拟电路的故障诊断有一定的实际意义。     

基于RBF网络的滚动轴承故障诊断

首先对滚动轴承振动信号进行前期处理(包括粗大误差处理和通过小波变换对信号消噪),然后提取出能反应轴承运行状态的特征向量作为RBF网络的输入量,采用RBF网络对滚动轴承进行了故障诊断.仿真结果表明,该方法实用有效.     

模拟电路单故障与多故障诊断的提升小波和RBF方法

为了更高效、更准确地诊断模拟电路的单故障和多故障,提出了提升小波和RBF神经网络相结合的方法。该方法用提升小波系数表征故障电路的特征,训练RBF神经网络,将训练好的神经网络作为分类器,对故障电路进行诊断。通过对比,提出的提升小波方法诊断效果明显优于传统小波,准确率达到99.2%,用时更长。结果表明,基于提升小波和RBF神经网络的模拟电路单故障与多故障诊断方法可以有效地提取故障电路的特征并准确快速地对故障进行分类。     

P300信号分类的多样本融合支持向量机算法

脑电信号是大脑受到自发或诱发刺激所产生的一种变化的脑电活动,利用结合了多样本融合思想的支持向量机（SVM）算法,在不同受试者的多样本数据上对诱发脑电信号中的P300信号进行了分类识别。首先对实验数据进行预处理和特征提取,然后利用SVM算法训练分类模型,最后通过融合多个样本的预测结果对测试数据的P300信号进行识别。结果表明,相比单样本SVM算法该方法对检测数据有较高的分类准确率,能够成为P300脑电信号预测的较好方法,具有应用前景。     

Deep linear discriminant analysis for two-stage brain-controlled character spelling decoding

In order to make full use of visual and auditory perception channels and realize efficient brain-controlled character spelling, a two-level spelling paradigm based on the region is proposed. In the first level of the paradigm, the target region is selected based on the motion-onset visual evoked potential, and the code division multiple access method is introduced to improve the selection rate. In the second level, the target character is encoded based on the hybrid motion-onset visually evoked potential and auditory P300 to make full use of the visual and auditory hybrid effect to improve the accuracy of target character selection. In order to decode the collected EEG signals effectively, a classification recognition algorithm for EEG signals combined with a deep linear discriminant analysis is proposed. Experimental results show that the average classification accuracy of the deep linear discriminant analysis algorithm in the classification recognition of two-level EEG signals is 61.7% and 74%, respectively, which is obviously higher than that of the traditional method and the two convolutional neural network methods. Therefore, the algorithm can effectively improve the decoding performance of the two-level brain computer interface induced by the audio-visual hybrid.     

基于卷积神经网络的多类运动想象脑电信号识别

针对传统多类运动想象（MI）脑电信号的识别方法须进行繁琐的预处理以及特征提取问题,提出基于深度学习的MI信号自动分类方法.在样本表示方面,提出将多通道脑电（EEG）信号转化为一维序列信号处理,在增加样本数量的同时又能够忽略与通道位置相关的空间信息的影响;根据输入信号的特点,采用多层一维卷积神经网络学习不同运动想象状态时脑电信号中的时频信息,自动完成特征提取和分类工作. 将所提出的方法在公共数据集上与多种方法进行比较,并完成对实际采集数据集的分类. 利用所提方法在不需要先验知识的条件下,对脑电信号进行端到端的学习. 结果表明该方法可以获得更高的多分类准确率以及降低个体差异对分类的影响. 所提出的方法有利于促进基于MI 的脑机接口系统的开发.     

局域波神经网络海洋平台AE信号识别研究

为了研究海洋平台结构声发射信号的特征,将近期发展的局域波法和神经网络相结合应用于提取识别中.首先,将海洋平台结构声发射信号进行局域波分解,得到自适应的基本模式分量,然后从各基本模式分量中提取能量特征参数作为神经网络的输入参数来识别海洋平台结构的声发射信号.通过对海洋平台结构模型声发射信号的实验数据分析表明,以局域波法提取各频带能量作为特征参数的神经网络方法可以准确、有效地识别海洋平台结构声发射信号,从而为海洋平台结构声发射信号特征提取识别提供了一种新的方法.     

仓储物害虫声音识别研究中的Madaline神经网降噪

提出了基于声音模式识别技术的仓储物害虫计算机自动分类的新方法 .在声音信号的预处理中采用Madaline(两层Adaline)神经网降噪方法 ,该方法以其自适应抵消器抵消环境噪声 ,较完整的保留仓虫声音信号 ,从而为仓虫声音特征的提取及分类打下了良好的基础     

基于小波神经网络的调制信号识别方法

为了克服神经网络识别类别较多时构建网络复杂、训练速度低的缺点,提出了一种小波变换和阵列式RBF网络结合的方法实现无线通信信号调制类别检测.利用小波变换对常用3种模拟信号和6种数字信号进行多层分解和特征提取,然后利用特征参数通过阵列式RBF网络进行信号调制类别检测.仿真结果表明,小波分析和阵列式神经网络相结合的设计,使无线通信信号调制类型的检测系统在信噪比为-10 dB达到平均辨识率90％以上的性能,同时提高了多类别情况下的检测率.     

经验模态分解和神经网络在滚动轴承故障诊断中应用研究

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解的滚动轴承故障诊断方法,对采集的信号范围进行了筛选。利用经验模态分解将振动信号分解为多个平稳的固有模态函数。选取包含主要故障信息的IMF分量分析其时域和频域特征。将时域信号特征量和频谱图峰值对应的频率归一化处理,输入Elman神经网络进行工作状态的自动判断。     

基于脉冲耦合神经网络的目标特征抽取方法

为解决待识别目标的特征抽取问题,提出了一种脉冲耦合神经网络结合形状信息的图像混合特征抽取方法。该方法利用脉冲耦合神经网络将图像空域信号转化为时域信号的特性,结合物体形状信息,对图像的灰度和形状进行了统一描述。实验结果证明,该方法在一定程度上对物体的形变、平移、缩放不敏感,对目标识别系统是一种很好的特征抽取方法。     

基于神经网络的气体目标识别方法

研究神经网络在战场气体特征目标识别应用中的有效算法.通过建立战场目标气体特性探测与分析系统,针对战场上不确定背景条件下气体目标的自动识别问题,在总结目标特性规律,分析BP算法的基础上,采用BP算法对分类器进行训练,改善系统对信号的探测能力.典型战场目标信号样本检验表明:利用基于神经网络的分类器来实现对战场气体目标的识别分类是可行的.