下肢外骨骼机器人控制的脑电感知方法研究

将外骨骼机器人技术与BCI系统结合起来,使人体具有了外骨骼机器人的一系列优良特性,同时使外骨骼机器人具备了人体的智能;首先,对外骨骼机器人技术与BCI技术的融合进行了可行性分析,说明了该方法的可行性;其次,通过实验采集了6种想象运动的脑电信号,选取了C3、C4通道的脑电信号,并对其进行了去噪处理;然后,对经过预处理的六种想象运动的脑电信号通过小波变换进行了分解,提取了包括小波分解系数和能量系数的脑电信号小波特征;最后,针对所提取的小波特征,采用了最小二乘支持向量机对这6种想象运动模式进行分类处理。     

基于人体动作反馈的上肢康复机器人主动感知系统

提出了基于人体动作命令反馈的主动康复训练方法．首先,对采集到的4通道上肢肌电信号进行小波包分解,提取小波系数的log特征,输入到神经网络辨识,对上肢的8种常用动作取得了92.86%的辨识成功率．随后,将辨识结果动作以虚拟动画的形式展示给患者,患者针对辨识动作进行点头确认或者摇头拒绝．采用Kinect获取患者的动作视频,经过人脸辨识缩小检测范围,利用光流特征与先验经验结合,对比分析了投票法、Sigmoid法与tanh法的动作辨识结果,在人为干扰的条件下,Sigmoid法仍然表现优良．设计了Sigmoid法的参数修正方法,最终准确度达87.25%,无危险性误判率为12.75%．经过主动康复实验,本文提出的基于人体动作命令反馈的主动康复训练意图感知方法具有良好效果,适用于主动康复训练场合．     

基于主动学习的计算机病毒检测方法研究

针对传统病毒检测方法存在的更新速度慢、对未知病毒检测能力不足等问题,该文对主动学习理论在计算机病毒检测方面的应用进行了研究,提出了一种基于支持向量机主动学习的计算机病毒检测模型结构。此外,为了改进病毒检测的精度问题及主动学习过程的效率,利用相关n-gram方法实现了对样本文件的特征提取,并结合信任度测量理论实现了基于非确定抽样的询问功能。实验表明,该模型针对未知病毒具有较高的检测精度,并且能够极大地缩减训练时间及对训练数据的数量要求,提高系统的学习效率。     

基于SVM主动学习算法的网络入侵检测系统

入侵检测系统已经成为网络安全技术的重要组成部分。然而，传统的异常入侵检测技术需要通过对大量训练样本的学习才能达到较高的检测精度，而大量训练样本集的获取在现实网络环境中是比较困难的。本文研究在网络入侵检测中采用基于支持向量机（SVM）的主动学习算法，解决训练样本获取代价过大带来的问题。通过基于SVM的主动学习算
算法与传统的被动学习算法的对比实验说明，主动学习算法能有效地减少学习样本数及训练时间，能有效地提高入侵检测系统的分类性能。     

改进的概率选择主动支持向量机算法

针对大多数主动学习支持向量机（ASVM）的主动学习策略只注重考察超平面附近的样本,忽略了有些距离超平面远但是支持向量的样本,而且没有考虑当前超平面是否接近实际的超平面。提出一种基于概率的主动支持向量机算法,采用一个置信因子来衡量当前的超平面接近实际的超平面的程度。实验结果都验证了该算法在分类精度与计算量方面都有了较大改进。     

基于机器学习的工业机器人路径规划方法

本文针对传统支持向量机路径规划方法的不足,利用Type-2模糊集处理系统模糊信息的能力,设计全新的Type-2模糊支持向量机模型;通过对工业机器人运动轨迹数据分析和运动特征提取,建立了工业机器人Type-2模糊支持向量机轨迹规划算法;在多论域的空间结构下,实现对工业机器人路径规划算法模糊信息和随机信息的有效分析和处理,提升工业机器人路径规划系统的自学习能力和性能。     

基于SVM主动学习的入侵检测系统

研究在入侵检测中,采用基于支持向量机(SVM)的主动学习算法,解决小样本下的机器学习问题。该文提出了基于SVM主动学习算法的系统框架及适用于入侵检测系统的SVM主动学习算法,讨论了候选样本集的组成比例、候选样本集数量及核函数的不同参数选取对检测结果的影响。通过实验验证,基于SVM主动学习算法与传统SVM算法相比,能有效地减少学习样本数,提高检测精度。     

基于细粒度信息感知BERT-EEP的情绪分类方法

网络舆情情绪分析专注于挖掘特定领域文本中深层次的情绪信息,对及时评估和化解舆情风险有重要意义。以往研究大多依赖情感符号、词性等基本情绪知识构建情绪语义特征,忽略了文本中情绪的持有者、线索等细粒度语言表达。为此,针对COVID-19疫情期间网络舆情数据的特点,引入同步双通道循环递归网络抽取细粒度情绪信息。在此基础上,提出辅助句构造法和基于BERT的情绪表达感知网络BERT-EEP,利用细粒度情绪信息辅助标签分类,并通过多头注意力机制和双向门控循环单元学习辅助信息和上下文之间的依赖关系,最终实现情绪分析。为评估所提方法的有效性,构建了一个具有细粒度表达的COVID-19中文情绪数据集。实验结果表明,所提方法能有效地融合细粒度情绪信息,在情绪分类任务上获得了优异的性能。     

基于SVM主动学习的音乐分类

提出了一种改进的SVM（支持向量机）主动学习方法,通过多次迭代提供给用户信息量最大的样本并将其加入训练集,可以大大减少人工标记样本所耗费的代价。为了评估分类器的性能,实验中对包含了五种音乐流派类别（舞曲、抒情、爵士、民乐、摇滚）的801首音乐样本进行了分类,并在分类准确率的收敛速度和达到同等准确率下需要标注的样本数目两个方面验证了提出的SVM主动学习方法的有效性。     

基于视听觉感知系统的多模态情感识别

情绪识别作为人机交互的热门领域,其技术已经被应用于医学、教育、安全驾驶、电子商务等领域.情绪主要由面部表情、声音、话语等进行表达,不同情绪表达时的面部肌肉、语气、语调等特征也不相同,使用单一模态特征确定的情绪的不准确性偏高,考虑到情绪表达主要通过视觉和听觉进行感知,本文提出了一种基于视听觉感知系统的多模态表情识别算法,分别从语音和图像模态出发,提取两种模态的情感特征,并设计多个分类器为单特征进行情绪分类实验,得到多个基于单特征的表情识别模型.在语音和图像的多模态实验中,提出了晚期融合策略进行特征融合,考虑到不同模型间的弱依赖性,采用加权投票法进行模型融合,得到基于多个单特征模型的融合表情识别模型.本文使用AFEW数据集进行实验,通过对比融合表情识别模型与单特征的表情识别模型的识别结果,验证了基于视听觉感知系统的多模态情感识别效果要优于基于单模态的识别效果.     

基于人工情感的拟人机器人控制体系结构

简要概括了当前人工情感的应用,提出一种基于人工情感的拟人机器人控制体系结构,并给出了仿真示例．基于情感的控制结构具有混合分层的特点,情感状态影响到机器人的整个信息处理过程．这种结构不仅体现了机器人的个性化,同时增强了机器人在动态环境中的学习和自适应能力．     

基于改进多核学习的语音情感识别算法

提出一种基于改进多核学习的语音情感识别算法.算法以高斯径向基核函数为基准,通过采样不同的样本,采用不同的评价标准并获得不同的参数,来提高分类性能.此外,通过引入多核技术,将得到的高斯核函数构建多核学习的基核,并通过利用松弛因子构建的软间隔多核学习的目标函数改善了学习效率.对比仿真实验结果表明,本文提出的基于多核学习语音情感识别算法有效提高了语音情感识别性能.     

人体下肢运动光纤带感知方法研究

外骨骼机器人实质上是一种可穿戴机器人,它将人的智能与外部机械能量结合在一起,可以给人提供额外的动力或能力,增强人体机能。在军事、康复医疗等领域有着巨大的应用价值和广阔的市场前景,也是国内外竞相研究的热点。为实现下肢外骨骼机器人与人体协调运动,首先需要实时的感知人体下肢的运动,并对运动进行模式识别,进而才有可能达到对下肢外骨骼机器人的实时控制的目的。本文对用于下肢外骨骼机器人控制的人体下肢运动光纤感知方法进行研究,在对人体下肢运动步态进行分析研究的基础上,提出了利用光纤测量下肢关节角度、利用分形理论对测得的下肢角度数据进行特征提取,并采用支持向量机对步态特征向量进行分类的识别方法。实验结果表明,该方法具有较高的识别性能,能够分辨出人体行走、跑、上斜坡和下斜坡、下蹲和起立等6种运动模式,且当核半径为0.4,惩罚因子为45时,识别率可达95%。     

基于向量余弦的支持向量机主动学习策略

针对传统基于主动学习的支持向量机（support vector machine,SVM）方法中所采用的欧式距离不能有效衡量高维样本之间的相关程度,导致学习器泛化能力下降的问题,提出了一种基于向量余弦的支持向量机主动学习（SVM active learning based on vector cosine）策略,称为COS_SVMactive方法。该方法通过在主动学习过程中引入向量余弦来度量训练集中样本信息的冗余度,以挑选那些含有重要分类信息的最有价值样本交给专家进行人工标注,并在迭代的样本标注过程中对训练集的平衡度进行逐步调整,使学习器获得更好的泛化性能。实验结果表明,与传统基于随机采样的SVM主动学习方法（SVM active learning based on ran-dom sampling,RS_SVMactive）和基于距离的SVM主动学习方法（SVM active learning based on distance, DIS_SVMactive）相比,COS_SVMactive方法不仅可以提高分类精度,而且能够减少专家标记代价。     

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...     

基于Wi-Fi感知的人员计数方法研究

人员计数是对指定区域内人口数量进行统计或准确估计的一种方法,在许多应用中都发挥了重要作用,例如公共安全、人群控制和营销分析等.传统的基于视频流、电子标签的人员计数方法硬件成本过高,并且基于视频流的人员计数方法在光线不足或有遮挡物的情况下精度低、可靠性差.提出一种基于Wi-Fi感知的人员计数方法,该方法对Wi-Fi中信道状态信息（channel state information,简称CSI）进行重构,多子载波的CSI有效减少了多径效应的影响,利用解卷相位与线性变换的方法重构CSI,使得相位信息能以簇的形式集中,避免了原始相位分布范围过大、随机性过高的问题,基于Hampel滤波器去除了载波振幅的奇异数据,减少了环境噪声因素对于人员数量特征造成的干扰,保证了利用无线信号进行人员计数的精度和稳定性,最后利用SVM分类进行人员计数.实验结果表明,该方法的计数准确度达到了约95.8%,能够在室内环境下准确地识别出人员的数量.