深度稀疏自编码网络识别飞行员疲劳状态

针对飞行员疲劳状态识别的复杂性和准确性,提出一种基于脑电信号的深度学习模型.首先对飞行员脑电信号进行滤波分解,提取delta波(0.5~4 Hz)、theta波(5~8 Hz)、alpha波(7~14 Hz)、beta波(14~30 Hz),提取基于脑电节律波的频域特征,作为识别模型的输入向量.其次,将一种基于深度稀疏自编码网络–Softmax模型用于飞行员疲劳状态识别,并与单层的稀疏自编码网络–Softmax和传统方法主成分分析(PCA)–Softmax模型识别结果进行比较.最后,实验结果显示,针对飞行员疲劳状态识别问题,所建立的学习模型具有很好的分类识别效果,具有较好的工程推广价值.     

基于深度收缩稀疏自编码网络的飞行员疲劳状态识别

飞行员的疲劳状态识别具有重要的研究意义和应用价值.针对飞行员疲劳状态识别的复杂性和准确性,提出一种新的基于脑电信号的飞行员疲劳状态识别深度学习模型.在对飞行员的脑电信号进行滤波分解的基础上,提取delta波(0.5sim4Hz)、theta波(5sim8Hz)、alpha波(7sim14Hz)和beta波(14sim30Hz),将其重组信号作为深度收缩稀疏自编码网络-Softmax模型的输入向量,用以对飞行员疲劳状态的识别,所得到的实验结果与深度自编码网络-Softmax模型和传统方法PCA-Softmax模型识别结果进行比较,结果表明所建立的深度学习模型具有很好的分类效果,分类准确率可达91.67%,且学习所得的特征稳定性好,验证了所提模型具有稳定性和重复验证性.     

基于隐马尔科夫模型的胎盘植入产前诊断方法*

胎盘植入是产科严重的并发症之一,作为金标准的产后病理检验存在的滞后性和局限性问题,文中将病史和彩超数据等产前多特征关联作为观测显状态序列,将产后病理诊断作为隐状态,构建基于隐马尔科夫模型的胎盘植入产前诊断方法.采用Gini方法提取患病关联因素的特征集合,通过转化特征集合构建隐马尔科夫模型,结合Baum-Welch和Viterbi算法计算求解,通过显隐状态关系,实现胎盘植入产前诊断.实验表明,文中方法具有较好的准确率、特异度和灵敏度     

基于傅里叶-隐马尔科夫模型的人体行为识别

研究人行为识别的正确性,针对提高对人体行为序列图像进行识别的能力,隐马尔科夫模型(HMM)是一种统计分析模型,具有时序模式分析能力.为了增加图像信息的有效性,提出了一种傅里叶与隐马尔科夫模型相结合的方法人体行为识别方法.通过获得各种人体行为的二值图像序列,对待识别的序列图像提取具有旋转、平移和尺度不变性的傅立叶特征,采用了一种基于中心距的傅里叶描述子,利用改进的隐马尔科夫模型对提取的特征向量进行分类,得到人体行为的识别结果.试验结果表明,系统的识别率与HMM的状态数和观察值数有关,方法是有效且可行的,设计适当的HMM分类器能使系统的识别率达到90%以上,实际应用效果满足要求.     

基于CI-HMM的运动想象脑电信号分类

针对隐马尔科夫模型在运动想象脑电信号分类应用中,其独立性假设与脑电信号间相关性的不一致问题,提出一种基于Choquet 模糊积分隐马尔科夫模型的脑电信号分类方法。该模型应用模糊积分的单调性取代了概率测度的可加性,放宽了隐马尔科夫模型的独立性假设。利用重叠滑动窗对脑电信号分段,然后对每段数据提取绝对均值、波长和小波包相对能量特征,构成特征序列用于CI-HMM的训练和分类。选取2008年BCI竞赛Datasets 1的两类运动想象数据进行分类,实验结果表明,该方法有效提高了隐马尔科夫模型方法对运动想象脑电信号分类的性能。     

基于高斯混合隐马尔科夫模型的自由换道识别

驾驶辅助系统被认为是解决交通安全问题的有效手段, 开发驾驶辅助系统的基础是对车辆的行为进行准确的识别, 以应用于车辆安全预警, 路径规划, 智能导航等方面. 目前存在的基于支持向量机模型, 隐马尔科夫模型, 卷积神经网络等行为识别方法还存在计算量与精度平衡的问题. 本文结合了隐马尔科夫模型与高斯混合模型, 提出了高斯混合隐马尔科夫模型, 利用美国联邦公路管理局NGSIM数据集对此方法进行了实验验证, 结果表明该方法对自由换道行为识别具有较高的精度. 本文还对高斯混合隐马尔科夫模型的实验参数进行了优化, 以期达到最好的识别效果, 为未来智能驾驶的车辆行为识别提供了参考.     

基于符号特征的隐马模型在WEB信息提取中的应用

针对以词元作为观察集的隐马尔科夫模型的不足,利用词元的结构特征对词元进行归类,提出基于符号特征的隐马尔科夫模型.该模型中的每个状态均用若干符号特征进行表达,并用正则表达式和利用文本推断得出的特征列表对符号特征加以描述.在此基础上利用Veterbi算法对科研人员个人主页中的科研信息进行提取试验,在较高信息冗余度的情况下,获得了较好的效果.     

基于CHMM的背景差算法

为了解决背景差算法在前景提取的过程中对光照变化的敏感性和提取的前景中容易产生椒盐噪声的问题,提出了一种基于耦合隐马尔科夫模型的背景差方法.对像素的马尔科夫性进行了分析,并对像素建立耦合隐马尔科夫模型,通过时间统计的方法统计了像素隐含状态的转移概率,通过实验的方法选取了合适的前景标准差和背景标准差,利用Viterbi算法来求解耦合隐马尔科夫模型的最优隐含状态问题,运用该算法对一段交通监控视频进行分析,表明了该算法能够有效的抑制光照变化的影响,并且能够在一定程度上抑制前景噪声的出现.     

非线性模拟电路软故障诊断方法

针对非线性模拟电路故障诊断中软故障诊断的难题,提出了Volterra级数结合隐马尔科夫模型（HMM）进行故障诊断的方法。首先利用梯度搜索算法求解Volterra级数并提取出故障特征,然后利用提取出来的故障特征构造出观察变量对隐马尔科夫模型进行训练,最后用训练好的隐马尔科夫模型完成故障诊断。实验结果表明,该方法能有效提取故障特征,提高故障诊断效果。     

基于小波包变换的精神疲劳多参数脑电分析

研究脑力劳动和运动引起的精神疲劳与脑电特征参数之间的相关性,以及这些特征参数在不同状态下的变化规律。通过对两种精神疲劳状态以及不疲劳状态下采集的脑电信号进行小波包分析,提取出脑电各节律并计算脑电对数能量熵,定性分析了各特征参数与不同状态间的关联性。实验结果表明,相较于不疲劳状态而言,前额叶区的脑电各节律相对功率和脑电对数能量熵在两种精神疲劳状态下均有显著变化。因此,前额叶区的脑电各节律相对功率与脑电对数能量熵可以作为衡量精神疲劳的生理指标。     

基于受限玻尔兹曼机的疲劳脑电特性分析

为了准确提取和分类视觉疲劳所引起的脑电特征，以此提醒过度用眼的工作人员及时休息，提出了多通道受限玻尔兹曼机算法和卷积神经网络(CNN)算法结合的深度学习混合模型，利用该模型对枕叶区10个通道的脑电信号进行自动提取内在特征和分类。在基于SSVEP的视觉疲劳脑电数据集上进行评估，深度学习混合模型的平均准确率达到88.63%,比传统的特征提取和分类方法高10%。实验结果证明了深度学习混合模型取得的分类效果较好，并且克服了传统手动提取特征方法不全面的不足，对疲劳脑电的研究具有现实的意义。     

虚拟人引导的脑电信号重要性选择与识别

为了在缺失数据和噪声数据的脑电信号中保持较好的鲁棒性,并揭示脑电信号多通道之间相互作用关系,利用随机森林算法挑选出具有相互作用的重要通道,去除不相关和冗余的通道;利用状态空间模型描述多通道之间的内部运动规律,反映输入输出与内部状态之间的关系;采用EM算法实现状态空间模型的参数辨识作为识别特征;将提取的特征通过SE-GRU模型进行识别,增加了重要特征的权重.上述方法在公共数据集和虚拟人引导的脑电信号数据集上有效提高了分类准确率,相比不进行通道选择的方法取得了更好的效果,并通过最终训练模型实现了对虚拟人的控制.     

驾驶舱飞行员认知行为一体化仿真建模

针对国内航空领域飞行员认知行为一体化建模研究较少,运用ACT-R认知架构对民机飞行员驾驶技能获得、提取和运用的内在机制进行建模。对飞行员驾驶飞机的认知过程进行划分;以驾驶舱中出现频率最高的典型飞行任务--飞行员告警信息感知、处理与决策为对象进行实验设计和一体化仿真;对实验操作和模拟仿真进行对比,表明ACT-R认知体系能够指导推进驾驶舱人机工效一体化中飞行员仿真理论与模型研究的发展,为驾驶舱优化设计与评估提供深层次的支撑。     

基于隐半马尔可夫模型的用户兴趣特征提取

针对网络用户兴趣行为特征的抽取,提出了一种基于隐半马尔可夫模型的用户兴趣特征提取模型,通过用状态驻留时间的概率来控制用户浏览行为,使描述兴趣特征的隐状态和时间的相关性更紧密地结合起来,并且根据隐半马尔可夫模型可以产生多观察值序列的特性,把文本信息划分成多个文本块子区域,使每个子区域的特征和其中一个观察值序列对应起来。实验结果表明,利用隐半马尔可夫模型进行特征提取比HMM方法有更高的准确率和召回率。     

基于隐马尔科夫模型与语义融合的文本分类

提出一种融合语义的隐马尔科夫模型用于文本分类的方法。将特征词的语义作为先验知识融合到隐马尔科夫分类模型中。通过信息增益提取特征词,用word2vec提取特征词语义,将每一个类别映射成一个隐马尔科夫分类模型,模型中状态转移过程就是该类文本生成过程。将待分文本与分类模型做相似度比较,取得最大类别输出概率。该方法不仅考虑特征词、词频、文档数量先验知识,而且将特征词语义融合到隐马尔科夫分类模型中。通过实验评估,取得了比原HMM模型和朴素贝叶斯分类模型更好的分类效果。     

基于HMM的驾驶员疲劳识别在智能汽车空间的应用

智能汽车空间作为普适计算一种具体而集中的表现,对此提出一个基于隐马尔科夫模型(HMM)的驾驶员疲劳识别应用。选取PERCLOS特征变量作为测评驾驶员疲劳的低层上下文,通过大量样本数据的训练,建立HMM,用Viterbi算法从观察序列中识别出最有可能的驾驶员隐藏状态,提醒驾驶员以确保安全的驾驶行为。最后通过在模拟实验环境中的案例验证了该方法的有效性。     

一种带隐变量贝叶斯网的事件诱因估计方法

事件诱因是诱导事件发生的因素,从事件特征数据构建事件诱因模型,进行事件诱因估计,是解决舆论控制、精准决策支持和用户行为定向等问题的重要基础.本文以公共突发事件为背景,以贝叶斯网为不确定性知识表示和推理的基本框架,以多值隐变量来描述事件诱因的多个取值,提出一种基于带隐变量贝叶斯网(隐变量模型)的事件诱因模型构建方法,进而利用概率推理算法估计事件诱因.针对事件诱因存在多个取值的问题,本文基于分支限界思想提出最优取值子集提取算法.建立在真实数据集上的实验结果表明,本文提出的事件诱因模型构建方法及相应的诱因估计方法是有效的.     

基于单通道脑电信号的疲劳检测系统

针对目前高强度劳动人群频繁猝死的情况,文中设计了一套基于单通道脑电信号(Electroencephalography,EEG)的疲劳检测系统,以实现对该类人群疲劳程度的准确判定,起到预警效果。系统利用TGAM(ThinkGearm AM)脑电模块采集原始EEG数据,通过蓝牙方式将数据传送至上位机,在上位机中提取EEG的4个基本节律成分(δ,θ,α,β),以节律信号的相对频带能量作为表征疲劳状态的脑电特征,并利用Fisher判别分析(Fisher Discriminant Analysis,FDA)和概率神经网络(Probabilistic Neural Network,PNN)两种方法对脑电特征进行分类,给出评估结果。实验结果表明,所设计的基于单通道EEG的疲劳检测系统能够实现准确率较高的疲劳状态检测。     

基于S变换特征提取和隐马尔科夫模型的故障诊断方法研究

轴承的故障信号特征提取和故障的识别在机械化生产中具有重要的意义,对此提出了基于S变换特征提取和隐马尔科夫模型的故障诊断方法。为了获取所需的故障特征信息,首先对采集到的轴承信号进行S变换,并对变换结果进行奇异值分解,提取信号特征。将获取到的奇异值构造成信号特征矩阵,用于建立隐马尔科夫的故障识别模型。试验的结果证明了本文的方法在轴承的故障检测中的有效性。     

基于马尔科夫链的主机异常检测方法研究

提出了基于马尔科夫链模型的主机异常检测方法,首先提取特权进程的行为特征,并在此基础上构造Markov模型。由Markov模型产生的状态序列计算状态概率,根据状态序列概率来评价进程行为的异常情况。利用Markov模型的构造充分提取特权进程的局部行为特征的相互关系。实验表明该模型算法简单、实时性强、检测率高、误报率低、适合用于在线检测。