基于机器学习的心律失常信号分类算法研究

心电图中心律失常信号的分类识别是诊断心血管类疾病的重要依据。基于MIT-BIH提供的数据文件,通过小波变换提取了心电信号的21组特征信息,针对常见五类心律信号的分类识别进行了研究,设计实现了基于softmax回归和神经网络的分类算法。实验结果表明,一个适用的神经网络算法训练速度更快,在较少的迭代次数下,分类识别的正确率稳定在90%以上。     

基于深度学习的心电信号异常识别方法

针对心电信号的异常识别问题,提出了一个基于深度学习的改进型Cifar网络模型,可以自动提取心电特征,并将提取的特征馈送到Logistic分类器中进行分类。运用缩放变换获得图像的多分辨率表达,该表达符合心电图时序特点,克服了因数据量较少造成的网络过拟合问题。利用心电传感器采集志愿者心电信号,并结合正常窦性心律数据库(NSRDB)和突发心脏病死亡数据库(SDDB)建立训练测试集,用于验证方法的有效性。在对正异常心电信号的分类实验中,改进型Cifar网络模型可达到92%的准确率,灵敏度达到了94%,曲线下面积(AUC)值为0. 969,优于传统的尺度不变特征变换(SIFT)+支持向量机(SVM)算法和反向传播(BP)算法,取得了较好的辅助诊断效果。     

一种计算简单的心电诊断算法的研究

研究一种计算简单、实现容易的ECG特征提取和分类算法,以适于嵌入式系统的开发.收集MIT-BIH标准数据库中的正常窦性心律(NSR)和心室早期收缩(PVC)样本信号进行分类研究.提出一种基于ARMA模型的心电信号(ECG)分类法,包括:ARMA建模,特征白化,利用白化后的ARMA系数和ECG RR间期比实施基于Fisher准则的分类.文中的方法计算简单、实现容易,分别获得了92.00% 和97.57%的分类精度.结论:ARMA建模法适合于嵌入式系统的开发.     

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。     

小波神经网络在农药荧光光谱识别中的应用

对于结构非常相似的农药,它们的荧光光谱也非常相似并且在很宽波长范围内相互重叠.传统的荧光光谱分析法很难对其进行分类识别.一种基于小波分析而构造的新型神经网络--小波神经网络是利用它并适当选取网络结构和小波基,实现了对卡死克、盖虫散和吡虫啉三种农药荧光光谱的分类识别.实验表明,小波神经网络对光谱间的细微结构差别具有良好的识别能力.通过比较发现,在分类识别方面小波神经网络比BP网络具有更高的分辨率及较少的训练次数.     

一种融合小波变换与卷积神经网络的高相似度图像识别与分类算法

针对特定领域高相似度图像识别与分类问题,提出融合小波变换与卷积神经网络的高相似度图像识别与分类算法。首先,利用小波变换提取图像纹理特征,对不同类别、不同分辨率图像集进行训练并确定最佳纹理差异度参数值;其次,根据纹理差异度运用小波分解方法对图像进行子图分解,提取各子图能量特征并进行归一化处理;接着,通过卷积神经网络5层卷积和3层池化交替,将输入图像特征向量转化为一维向量;最后,通过训练次数的增加以及数据量的增大,不断优化网络参数,提高在训练集中的分类准确度,在测试集中验证权值实际准确度,得到具有最高分类准确率的卷积神经网络模型。实验选取鸡蛋、苹果两类图像数据集作为实验数据,进行鸡蛋散养或圈养识别、苹果产地判定,实验结果表明：该算法平均鉴别准确率均达90%以上。     

基于小样本学习的图像分类技术综述

图像分类的应用场景非常广泛, 很多场景下难以收集到足够多的数据来训练模型, 利用小样本学习进行图像分类可解决训练数据量小的问题. 本文对近年来的小样本图像分类算法进行了详细综述, 根据不同的建模方式, 将现有算法分为卷积神经网络模型和图神经网络模型两大类, 其中基于卷积神经网络模型的算法包括四种学习范式: 迁移学习、元学习、对偶学习和贝叶斯学习; 基于图神经网络模型的算法原本适用于非欧几里得结构数据, 但有部分学者将其应用于解决小样本下欧几里得数据的图像分类任务, 有关的研究成果目前相对较少. 此外, 本文汇总了现有文献中出现的数据集并通过实验结果对现有算法的性能进行了比较. 最后, 讨论了小样本图像分类技术的难点及未来研究趋势.     

一种快速在线小波神经网络辨识算法

本文以小波理论的多分辨率分析为基础,分析了各种小波网络的频率特性,指出了由尺度函数和小波函数组成的多分辨率小波网络的优点.针对多分辨率小波网络,本文提出了一种在线辨识算法.该算法,当增加样本和新神经元时,在线修正网络权值,同时通过正交化在线优选神经元,达到优化网络结构和网络权值的目的,训练速度快,辨识精度高.仿真结果表明了该算法的有效性.     

基于SVM的柴油机故障诊断方法研究

介绍了基于支持向量机(SVM)的故障诊断方法的原理和算法。利用小波包分解提取信号的特征参数,将特征送入故障分类器中训练。实验结果表明,当数据样本较少时,相比神经网络而言,基于SVM的故障分类器仍能正确分类多种故障。这种诊断方法具有算法简单、故障分类能力强的优点。     

改进的小波神经网络算法对变流器的故障诊断方法

变流器是双馈风力发电系统中的枢纽设备,其运行可靠性直接关系到发电系统的安全与稳定。针对基于递推最小二乘(RLS)算法的离散小波神经网络(DWNN)存在收敛速度慢、收敛精度不高、搜索局部极小等不足,以变流器的电流为分析对象,提出一种采用变加权和变学习率改进算法的小波神经网络的变流器故障诊断方法。选择变流器电流作为离散小波神经网络训练及故障识别样本,对训练过程和仿真结果进行对比分析。实验结果表明:较之RLS算法,改进的小波神经网络故障诊断方法在故障识别准确率和收敛时间方面表现更优。     

小波神经网络的遥感图象分类

将小波和神经网络结合起来,提出一种自适应小波函数的神经网络。这种小波函数网络经过训练后,可应用于遥感图象的分类,其分类效果优于最大似然法。     

Classification of MRI brain images using combined wavelet entropy based spider web plots and probabilistic neural network

Magnetic resonance imaging (MRI) is a non-invasive diagnostic tool very frequently used for brain imaging. The classification of MRI images of normal and pathological brain conditions pose a challenge from technological and clinical point of view, since MR imaging focuses on soft tissue anatomy and generates a large information set and these can act as a mirror reflecting the conditions of the brain. A new approach by integrating wavelet entropy based spider web plots and probabilistic neural network is proposed for the classification of MRI brain images. The two step method for classification uses (1) wavelet entropy based spider web plots for the feature extraction and (2) probabilistic neural network for the classification. The spider web plot is a geometric construction drawn using the entropy of the wavelet approximation components and the areas calculated are used as feature set for classification. Probabilistic neural network provides a general solution to the pattern classification problems and the classification accuracy is found to be 100%.     

Impact of different saturation encoding modes on object classification using a BP wavelet neural network

Wavelet neural networks have been successfully applied to object classification due to their unique various advantages. The wavelet neural network used in this paper is a type of back-propagation algorithm-learning wavelet neural network. The log-sigmoid function and wavelet basis function satisfying the frame condition are employed as an activation function in the output and hidden layers, respectively, and the entropy error function is also used to accelerate the learning speed. The log-sigmoid function has two saturated values, 0 and 1, which are the value of the function at a point whose value changes slightly as the independent variable changes at a somewhat wide range. Using this property of the saturated values and simplifying the mathematical model of neural network classification, we may mathematically prove that using different saturated values to encode the modes can affect the training error, generalization ability, and anti-noise ability of the wavelet neural network, in turn resulting in differences in classification accuracy. The saturated and unsaturated value-encoding modes will both decrease the generalization ability of the network and reduce the classification accuracy due to excessively strong or weak anti-noise ability. Therefore, we propose a type of moderate saturated-value encoding mode, in which the anti-noise ability, the gradient, and error in training process are more moderate than the other two encodings, so that this kind of encoding mode can facilitate a stronger generalization ability and higher classification accuracy for the wavelet neural network, and which have been affirmed in the classification experiments of CHRIS remote-sensing imagery of the Huanghe estuary coastal wetland and SIR-C remote-sensing image of sea ice in the Labrador Gulf, and reaffirmed in classification experiments where noise was added to the test data.     

小波变换与概率神经网络的心电图分类

提出了一种实时高效的心电图分类理论与方法。首先对心电图进行六尺度小波分解,将含有主要噪声的尺度进行系数置零,再将剩余层进行小波重构,从而达到除噪的目的。利用数学形态学定位心电图P、Q、R、S、T波位置,并提取计算各波间距离和斜率等12个特征值作为概率神经网络的输入向量,从而实现心电图的六分类。     

小波网络和RBF网络的抗噪语音识别

针对目前在噪音环境下语音识别系统性能较差的问题,利用小波神经网络融合了小波变换良好的时频局域化性质和RBF神经网络具有最佳分类能力和辨识能力等特性。构建了一个用小波基替代RBF网络中激活函数的小波-RBF神经网络结构,并采用全监督训练算法,实现了基于小波-RBF网络的抗噪语音识别系统。实验结果表明该系统比RBF网络具有更好的识别效果,尤其在噪声环境下,具有更强的鲁棒性。     

基于小波神经网络的医学图像分类方法

为了提高乳腺癌早期诊断的准确率,将小波理论与神经网络理论相结合提出改进的小波神经网络算法。将经过预处理的医学图像提取特征值,然后利用基于改进的小波神经网络算法的分类器对医学图像进行分类。通过实验表明此分类器具有较高的分类精度,是有效和可行的;与单独使用后向传播神经网络算法相比分类效果也得到了改善。     

Probabilistic neural networks combined with wavelet coefficients for analysis of electroencephalogram signals

Abstract: In this paper, the probabilistic neural network is presented for classification of electroencephalogram (EEG) signals. Decision making is performed in two stages: feature extraction by wavelet transform and classification using the classifiers trained on the extracted features. The purpose is to determine an optimum classification scheme for this problem and also to infer clues about the extracted features. The present research demonstrates that the wavelet coefficients obtained by the wavelet transform are features which represent the EEG signals well. The conclusions indicate that the probabilistic neural network trained on the wavelet coefficients achieves high classification accuracies (the total classification accuracy is 97.63%).     

基于改进粒子群优化算法的新型小波神经网研究

本文提出了改进的粒子群优化算法（Improved Particle Swarm Optimization,IPSO）的新型BP 小波 神经网络,并且对非线性辨识问题进行了仿真实验．实验结果表明,基于改进的粒子群优化算法的BP 小波网 络不仅具有小波分析良好的局部特性以及神经网络的学习、分类能力,而且具有粒子群优化算法全局快速寻 优的特点．与简单的粒子群优化算法相比,该方法在收敛性和稳定性方面都有了较明显的提高,验证了它的 合理性和有效性．     

基于小波-神经网络的汽轮机转子故障诊断

结合小波变换和神经网络技术,本文首先利用小波包对故障信号进行分解,然后将归一化后的数据用于RBF神经网络进行汽轮机转子故障分类.MATLAB实验仿真表明小波分析和RBF神经网络的结合在汽轮机转子常见故障的诊断中是很有效的.     

小波神经网络方法在入侵特征分类技术中的应用研究

利用小波变换的时频局部化特性和神经网络的自学习能力,构建基于小波变换的神经网络,从而使该神经网络具有较强的逼近能力和容错能力。将小波神经网络应用于入侵特征分类技术当中,具有了较强的自适应、自学习能力,并通过对动量项因子和学习因子的调整对模型进行改进,解决传统的前馈神经网络易陷入局部极小点的问题,加快神经网络的收敛速度。