基于小波和神经网络的视觉诱发电位识别方法

在基于瞬态视觉诱发电位的脑机接口研究中，通过视觉诱发电位信号的提取与识别产生脑机接口控制信号。采用累加平均和小波滤波提取强噪声背景下微弱的视觉诱发电位。在小波变换域求取特征向量，将特征向量输入感知器进行视觉诱发电位模糊识别，产生脑机接口控制信号。实验表明，小波变换域特征向量提取方法能有效地实现信号的去噪、降维和特征提取，基于神经网络的模糊识别算法能比较准确地识别视觉诱发电位，有利于提高脑机接口的通讯率。     

基于小波包变换和聚类分析的脑电信号识别方法

为了实现脑-计算机接口(brain-computer interface,BCI)系统,对大脑C3,C4处采集的二路运动想象脑电信号的特征进行了提取和分类.在分析小波包频带划分特点的基础上,利用小波包能量进行特征提取并使用基于马氏距离的线性判别分析进行了左右手运动想象模式分类,结果表明该方法提取的特征向量较好的反映了运动想象脑电信号的事件相关去同步(event-related desynchronization,ERD)和事件相关同步(event-related synchronization,ERS)的变化时程.另外,该方法识别率高,适合脑-计算机接口的应用.     

基于ELM和近似熵的脑电信号检测方法

脑电癫痫波的自动检测与分类对癫痫病情的诊断具有重要意义。提出了一种基于极端学习机(extreme learning ma-chine,ELM)和近似熵的脑电信号检测方法。首先,计算脑电信号的近似熵作为非线性特征,并与利用小波变换技术提取的线性特征波动指数相结合,组成特征向量,然后将特征向量送入单隐层前馈神经网络,采用ELM学习算法训练网络。实验表明,与BP(backpropagation)和SVM(support vector machine)算法相比,ELM在训练时间和识别精度两方面性能最佳,对用于实验的脑电数据检测识别率达到98%以上。     

脑电信号的混沌分析和小波包变换特征提取算法

针对脑电(EEG)信号的手部动作模式信息处理,提出一种混沌分析和小波包变换相结合的特征提取方法.用眼动辅助来采集手部动作时的脑电信号,对采集的C3、C4 、P3和P4脑电信号消噪后分别用混沌分析和小波包变换的方法进行特征提取,前者提取混沌特征的最大Lyapunov指数和关联维数,组成8维向量;后者提取脑电信号的4种特征节律波,分别计算其相对能量,组成16维向量;最后把两种方法提取的向量组成24维特征向量,输入SVM分类器,实现基于EEG信号的手部动作模式的识别.对不同个体上翻、下翻、展拳、握拳4种手部动作的识别实验表明,平均识别率均在80%以上,明显优于其他方法识别的结果.     

小波—BP神经网络在旋转机械故障诊断中的应用

利用小波分析和BP神经网络相结合的方法对旋转机械的故障进行识别.首先运用小波分析对故障信号进行降噪处理,然后运用小波包对信号进行分解和重构,提取各频带能量值,将该能量值作为BP神经网络输入端的特征向量,训练网络进行故障模式识别.实验表明,该方法在旋转机械故障诊断中切实可行.     

基于二维Gabor变换和粒子群优化BP网络的人脸表情识别

研究了使用二维Gabor小波变换和DCT离散余弦变换实现人脸特征提取并使用BP神经网络进行表情分类识别的方法。首先,将人脸图像经过归一化预处理,然后经过二维Gabor变换生成不同尺度和方向下的特征向量,为了降低其维数,使用DCT离散余弦变换对其进行压缩,提取最终的表情特征向量。为了提高BP神经网络对表情的分类精度和减少训练时间,使用改进的粒子群算法PSO来优化BP神经网络的各权值和阀值。仿真结果表明:使用Gabor小波变换并经DCT进行压缩后得到的特征向量,在经过粒子群优化的BP神经网络进行训练后,能有效地实现对其进行分类,具有较其他方法较高的识别率。     

基于多源信息融合的膝上假肢步态识别方法

为了实现膝上假肢的有效控制,提出基于多源信息融合的步态识别方法。首先通过搭建人体下肢多源运动信息系统获取下肢表面肌电信号、腿部角度信号和足底压力信号。针对获取的信息,采用基于小波变换的空域相关滤波对肌电信号进行消噪并提取信号特征;选择大小腿、膝关节角度作为腿部角度信号特征;将足底压力信号通过阈值法提取有效特征。在特征提取基础上,分别利用BP神经网络和有限状态机对下肢运动信息进行步态识别,并将识别结果进行融合。实验验证了该方法在平地行走、上下楼梯模式下步态识别准确率均达到95%以上。     

脑机接口中基于WPD和CSP的特征提取

针对脑机接口(brain computer interface,BCI)中2类运动想象任务的特征提取问题,提出了一种小波包分解(wavelet packet decomposition,WPD)与共同空间模式(common spatial pattern,CSP)相结合的脑电信号特征提取方法.该方法首先选择7个重要导联的脑电(electroencephalograph,EEG)信号,用‘haar’小波基进行三阶WPD分解;然后对每个导联分解后的其中5个子带进行重构,获取相关频域信息;最后对重构后信号利用CSP特征提取,获得六维特征向量.CSP与WPD相结合能够充分利用WPD的时频特性,有效避免CSP要求输入导联数过多、缺乏频域信息等缺陷.对2008年国际BCI竞赛数据和本实验室实验数据,采用该方法进行特征提取,通过概率神经网络(probabilistic neural network,PNN)分类.2种数据源分类正确率分别为92％和80％,相对于单纯的CSP特征提取,正确率分别提高5％和20％.实验结果表明:WPD与CSP相结合的特征提取算法能提取明显的特征,进而提高BCI的识别正确率.     

基于DD-DWT和Log-Logistic参数回归的癫痫脑电自动识别方法

针对现有癫痫脑电(EEG)识别算法分类模式单一、普适性不强的问题,提出了一种新的基于双密度离散小波变换(DDDWT)和Log-Logistic参数回归(LLPR)的脑电信号自动识别方法。不仅利用了DD-DWT算法的分解特性,还建立了脑电信号的LLPR模型,并将二者有机的结合,从而更好的发挥算法的优势。滤波后脑电信号由DD-DWT进行6层分解,提取各子频带系数的小波域能量波形,并结合LLPR模型计算尺度参数α和形状参数β以表征信号,将构成的特征向量送入遗传算法(GA)优化的支持向量机(SVM)得出识别结果,从而实现脑电信号的自动识别。所提方法在处理A\D\E与AB\CD\E两种多模式脑电分类问题时,识别率分别为98.90%和97.75%。实验结果表明,所提算法更符合实际应用需求,可以较好地解决多类脑电信号识别问题,具有良好的普适能力和分类性能。     

采用小波神经网络的刀具故障诊断

为了有效的进行刀具状态监测，采用小波神经网络的松散型结合对刀具进行故障诊断。通过小波变换提取刀具磨损声发射（AE）信号的特征．即对AE信号进行小波分解，提取了5个频段的均方根值作为神经网络的输入，来识别刀具磨损状态。试验表明，均方根值完全可以作为刀具磨损过程中产生AE信号的特征向量。仿真结果表明，基于小波神经网络的刀具故障诊断对刀具磨损状态的识别效率高．该方法是有效的。     

基于小波变换预处理的一种神经网络故障诊断方法的研究

针对无法区分干扰信号与有用信号一类系统提出了一种先用小波变换让信号在不同频段上进行分解,提出各分量故障信号的特征,然后应用ＢＰ神经网络进行故障诊断的一种方法。并将这种方法应用于液压系统的泄漏故障诊断,取得了比较满意的效果。     

改进小波包与RBF网络在轴承诊断中的应用

基于故障轴承的特征提取,提出一种基于小波包与径向基RBF神经网络相结合的故障诊断方法,克服了以往常用诊断方法中的小波BP神经网络网络收敛慢、训练时间长、而且常常陷入局部极小点的缺点。采用小波滤波技术对采集到的滚动轴承振动信号进行滤波处理,利用小波包分解获得滚动轴承振动信号的特征向量作为故障样本对RBF网络进行训练,进行了详细的故障诊断试验研究。实验结果表明训练好的RBF网络能够很好地诊断出轴承故障类型,故本方法在旋转机械故障诊断方面具有良好的应用价值。     

基于小波包变换的局部放电包络信号模式识别

为实现GIS故障检测和缺陷的模式识别,针对GIS出现的典型绝缘缺陷及其放电特点,设计了4种常见的GIS绝缘缺陷模型并进行放电试验。对获取的大量超高频包络信号,提出了一种基于小波包变换奇异值分解的时域特征提取方法。该方法首先对包络信号进行小波包变换,构建各尺度的小波包分解系数矩阵,然后对其进行奇异值分解,提取特征向量,在此基础上,采用BP神经网络进行模式识别,结果表明采用此方法获得了良好的识别效果。     

基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别

针对液膜密封状态监测领域无损监测开发不足、信号特征评估困难以及摩擦状态判别智能化特性缺乏的问题,提出一种基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别方法。该方法将声发射无损监测技术应用于液膜密封的摩擦状态监测,卷积神经网络作为液膜密封摩擦状态自主决策的实现手段,声发射信号的时频信息作为卷积神经网络的特征输入,分析短时傅立叶变换、 S变换以及小波变换3种时频分析方法对卷积神经网络识别性能的影响。结果表明：对于液膜密封的声发射信号,3种时频分析方法与卷积神经网络结合的优选顺序为：短时傅立叶变换、 S变换、小波变换;基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别方法准确率较高,相比其他识别方法取得了较好的识别效果。     

基于小波变换和ICA特征提取的开关电流电路故障诊断

提出了采用小波变换和独立成分分析(ICA)作为预处理器来进行特征提取的神经网络开关电流电路故障诊断方法。该方法对采集到的故障响应信号进行Haar小波正交滤波器分解,获得低频近似信息和高频细节信息;然后利用独立成分分析方法进行ICA故障特征提取;最后将所得到的最优故障特征输入到BP神经网络中进行故障分类。对六阶切比雪夫低通滤波器和六阶椭圆带通滤波器电路进行了仿真实验验证,获得了100%的故障诊断准确率,与其他方法进行比较,实验结果显示了该方法的优越性。     

小波·分形·神经网络故障诊断法及其在风机诊断中的应用研究

研究了分形理论、小波变换与人工神经网络相结合进行故障诊断的机理与方法。利用小波包可进行多维多分辨率的特性,对振动信号进行分解与重构,提取频带能量特征分析。选用分形理论中的离散信号分形维数计算方法,提取分形维数的特征。以K-L变换作特征降维,然后用基于梯度符号变化的局部学习率自适应误差反传算法的小波神经网络对故障状态进行分类识别。并利用这种方法本文对风机转子故障进行了诊断,结果表明这种诊断方法是完全行之有效的。     

基于小波神经网络的RC梁损伤识别试验研究

简要阐述了小波包分析及BP神经网络理论，利用小波包变换对获得的加速度信号进行分解和重构，求解各频带内的信号能量，将其作为神经网络输入参数，对神经网络进行训练，然后利用该网络进行损伤检测。按上述方法，通过有限元分析对RC梁进行损伤模拟，建立了结构损伤识别神经网络。按同样的构造制作了RC试件，并进行了损伤试验研究，对试验中在不同损伤情况下采集的加速度信号进行小波包分解和重构，将得到的能量向量输入已建网络判断结构的损伤。从试验结果可以看出诊断误差很小，能够满足实际工程要求。     

小波神经网络在柴油机异响故障诊断中的应用

由于活塞敲缸响和活塞销响是两种常见的、却难以区分的柴油机异响故障，这里对EQ6BT柴油机这两种故障的缸体振动信号进行Morlet连续小波变换，作出小波变换系数的尺度-能量谱，并提取出尺度为3～20范围内的最大尺度能量作为BP神经网络的输入向量，实现了对该柴油机两种异响故障的诊断。结果表明，利用文中所设计的小波神经网络能非常准确地诊断出EQ6BT柴油机活塞敲缸响、活塞销响两种异响故障及其故障的严重程度。     

小波神经网络在摩擦焊缺陷识别中的应用

针对摩擦焊接头超声检测信号,介绍了一种用于信号分类的小波神经网络结构及其学习算法,用小波包分析工具提取信号特征作为网络输入,实现了宏观焊接缺陷和微观焊接缺陷的分类识别.实验结果表明,较BP网络小波神经网络获得良好的识别结果.