基于小波包分析和Elman网络的肌电信号处理

提出了一种基于小波包变化和Elman神经网络的表面肌电信号特征提取和模式识别方法.在对表面肌电信号进行预处理的基础上,提出了以小波包变换各频段的能量来构造特征值,以该特征值作为训练样本输入Elman神经网络进行网络训练,构筑手部动作分类器,训练完成的分类器可完成伸腕、屈腕、展拳和握拳等4种手部动作模式的识别.实验结果表明,与其他分析方法比较,该方法不仅识别率高,鲁棒性好,同时也为其他非平稳生理信号分析提供了新方法.     

RBF网络在PUMA560机器人运动学逆解中的应用

介绍了RBF网络及RBF网络基函数中心选取的重要性,将进化优选算法用于网络中心的选取.并利用D-H方法对PUMA560机器人进行研究,将正运动学推导结果作为训练样本.采用6个相同的12输入、单输出的RBF网络,实现PUMA560机器人运动学逆解计算,利用该方法大大减少了传统方法中的公式推导.计算结果表明,用RBF网络解决机器人运动学逆解问题精度高,收敛速度快.     

腕长伸肌表面肌电与握力大小的相关性研究

研究了桡侧腕长伸肌(ECRL)表面肌电信号与手握力大小的相关性.9名健康的志愿者参加了本次实验,实验测量最大自主收缩力(MVC),并记录20%MVC、40%MVC、60%MVC及80%MVC时ECRL的表面肌电信号,采用积分肌电图方法提取表面肌电信号的特征参数,统计以受试者自身的MVC为基准的不同握力水平的相对特征值,分析受试者ECRL表面肌电特征参数和握力大小的相关性.结果表明,受试者ECRL表面肌电的特征值与握力大小存在正相关性,即可以通过ECRL表面肌电信号的特征值预测握力的大小,评价运动功能和康复程度.     

基于虚拟仪器的表面肌电信号的采集

表面肌电信号（SEMG）的检测分析对临床诊断及康复医学、运动医学等具有重要意义;但是表面肌电信号幅度较小,频率较低,信号的提取比较困难。文章采用虚拟仪器技术构建肌电信号的采集系统,并利用LabWindows／CVI对信号进行处理,利用功率谱K值法对信号进行动作识别,准确度可达85％以上。该研究可作为虚拟仪器的一个开发方向,具有广泛的应用前景。     

基于SEMG的膝关节康复动作模式识别技术研究

确定RMS、四阶AR模型参数作为表面肌电信号的特征提取方法,提出组建五阶新特征向量。设计下肢动作模式实验,提取肌电信号的特征值,设计BP神经网络分类器,并将所提取的三种特征向量作为分类器的输入。实验表明BP神经网络可以准确识别膝关节动作,且新向量作为分类器输入时,训练效率高。     

基于表面肌电信号的前臂手部多运动模式识别

基于表面肌电信号的肢体运动模式识别是假手仿生控制的基础，SEMG的个体差异与识别率是肌电假手实用化必须面对的问题。本文根据SEMG的频谱特性提出了一种新的特征提取方法——功率谱比值法。该方法的主要特点是以实时取得的SEMG功率谱信号为基础，确定最大功率谱附近的谱能量与全信号段谱能量之比为特征值，将人的个体差异影响降低到最低程度。模式分类器采用特别设计的Bayes统计决策算法，该方法在非特定人的条件下应用于前臂肌群的多运动模式识别时，识别正确率达到84％，已具备一定的实用性。     

基于改进能量核的下肢表面肌电信号特征提取方法

由于表面肌电信号(sEMG)具有非平稳、非周期和混沌等特性,导致传统的特征值提取方法存在实时性与准确性难以兼容的问题,基于此提出一种基于sEMG的改进能量核特征提取方法,对采集到的肌电信号进行处理。首先,在EMG振子模型的基础上,详细描述了新提出的"阈值矩阵计数"(threshold matrix count,TMC)特征提取方法;然后,通过在腿部10块不同肌肉表面粘贴肌电传感器来检测下肢不同运动过程中的肌电信号;采集到所需肌电信号后,对10块肌肉上的肌电信号分别进行特征提取,得到10个不同的特征向量x_k,并对其进行分析,选取了4块肌肉作为有效肌肉;最后将有效肌肉的特征向量x_k组合整理,得到特征矩阵X_k,将其输入BP神经网络进行训练,对4种运动模式进行识别。实验结果表明,提出的能量核特征提取方法相比于传统的两种能量核特征提取方法,运算效率分别提升了13倍和9倍;同时,相比常用的时、频域特征提取方法,训练后得到的模型具有更好的稳定性,平均识别精度为95.2%。     

一种肌电假手的自适应模糊控制方法

针对肌电假手的力控制问题,提出了一种基于肌电信号自适应学习的动作识别方法,同时结合模糊神经网络PID控制算法实现肌电信号对假手的控制.设计的肌电信号自适应学习动作识别方法在时域内进行,减小运算复杂度和计算量的同时保证了动作识别精度.采用模糊神经网络PID算法设计了假手握力控制器,在没有位置传感器的情况下保证了假手握力的控制精度.进行了肌电信号动作识别跟踪实验、假手握力跟踪实验、肌电信号控制假手抓取实验,实验结果证明了肌电信号自适应学习动作识别方法和模糊神经网络PID握力控制方法在肌电假手控制中的有效性.     

利用肌电信号离线控制机械臂

研究的目的是利用人体上肢肌肉的肌电信号来控制机械臂的运动。人体手臂在水平面上做屈伸运动,采集肱二头肌和肱三头肌的肌电信号和肘关节角度信号,对肌电信号进行处理和特征提取,提取的特征值作为一个四层的神经网络模型的输入信号。运用改进后的误差反传学习算法最优化网络各层权值,并使用该神经网络模型来预测人体的肘关节角,使用该预测角来控制机械臂,机械臂的运动与人的肘关节角进行比较,试验结果表明肘关节运动角度与机械臂的运动角度方均根误差小于1°。     

基于双流卷积神经网络的肌电信号手势识别方法

面向高性能的肌电控制系统,提出一种基于双流卷积神经网络的肌电信号手势识别方法,其从原始表面肌电信号中提取离散小波变换系数,与原始表面肌电信号分别作为双流卷积神经网络两个分支的输入进行高层特征学习,最终通过一个高层特征融合模块对两个分支学习得到的高层特征进行融合.所提方法在3个包含50～52类手势动作表面肌电信号的大规模...     

神经网络在火药气体作用系数计算中的应用

在火炮反后坐装置设计中,由于火药气体作用系数难以准确计算,因此设计了一种新型权函数神经网络模型,提出了一种计算火药气体作用系数的新方法,将先验知识引入到该神经网络中可以减少计算量。在权函数神经网络中,增加加权系数调整层对先验知识的权重进行调整,提高了网络的泛化能力。网络的训练和测试结果表明,改进算法的预测结果较BP神经网络和径向基函数神经网络的更好。     

Improved RBF network application in analog circuit fault isolation

One kind of steepest descent incremental projection learning algorithm for improving the training of radial basis function (RBF) neural network is proposed,which is applied to analog circuit fault isol...     

电液负载模拟器的RBF神经网络控制

针对传统控制器自适应能力和鲁棒性差、参数调节繁琐等缺陷,提出了神经网络自适应控制方案,同时针对神经网络控制器计算复杂和稳定性证明缺乏理论依据等不足问题,在传统控制理论的基础上设计了基于PID的神经网络控制方案。根据电液负载模拟器的结构特点和目前神经网络控制的发展水平,提出了基于RBF神经网络的PID控制器,并构建了负载模拟器的神经网络控制与基于Jacobian的消扰(消除多余力)结构,仿真和试验证明其具有很好的自适应性和鲁棒性。     

基于低分辨率磁滞变化曲线的杆件拉力测量

根据磁弹基本原理可知,不同拉力作用下杆件材料的磁滞回线存在差异,据此提出了一种磁弹拉力测量改进方法。该方法先采用双套筒线圈式磁弹传感器采集不同拉力下杆件磁滞回线信号,并利用磁滞变化曲线衡量力对磁滞回线上每一点的影响,应用小波分析对磁滞变化曲线降维得到不同拉力下的低分辨率磁滞变化曲线特征,输入到神经网络进行训练,从而获得低分辨率磁滞变化曲线与拉力的映射关系。通过实验分析表明,磁滞变化曲线可以从本质上直观地反映拉力对磁滞回线上每一个点的影响。低分辨率磁滞变化曲线特征不仅包含着完整的拉力对磁滞回线每一点影响的信息而且特征维数低。应用基于低分辨率磁滞变化曲线和神经网络的拉力测量方法,无需分析灵敏度曲线和拟合确定系数曲线就可确定反映拉力的特征,可以实现多特征对拉力的拟合。接着,比较了误差反向传播神经网络(BPNN)、径向基神经网络(RBFNN)和利用线性插值样本训练的RBF神经网络对拉力的预测性能,发现利用线性插值样本训练后的RBF神经网络的预测效果,优于BP神经网络和没采用线性插值样本训练的RBF神经网络。最后,将基于低分辨率磁滞变化曲线和采用线性插值样本训练的RBF神经网络的拉力测量方法集成于双套筒线圈式杆件拉力测量装置并应用于实际拉力测量中,其拉力测量误差和确定系数分别达到0.11%和1,达到了实际测量要求,证明了该方法的有效性和可用性。     

基于结构自适应径向基神经网络的油样光谱数据建模

基于光谱分析数据的机械磨损状态预测有利于发现机械系统的早期磨损故障。由于神经网络对于非线性模型的辨识和非平稳信号的预测，与传统预测模型相比具有明显的优势，将神经网络预测方法运用于光谱分析，提出了基于神经网络预测的光谱分析监测技术。在预测模型中采用了在函数逼近、分类能力和学习速度均优于BP网络的径向基函数（RBF）神经网络模型，针对RBF网络的结构对于信号预测或模型辨识的精度具有影响很大的问题，提出了结构自适应RBF网络预测模型。利用遗传算法，对神经网络输入节点数、径向基函数分布系数及网络训练误差进行了优化，得到了最优的RBF网络预测模型。最后，对某航空发动机实际的光谱分析数据进行了预测和分析，并与ARMA模型进行了比较，结果充分表明了文中方法的有效性和优越性。     

基于BP和RBF神经网络的滚动轴承故障诊断比较

通过仿真实例,应用BP和RBF神经网络对滚动轴承的故障诊断进行了比较研究,结果表明,BP网络和RBF网络仿真效果都比较理想,但RBF网络构建简单,训练速度快且比较稳定,体现了RBF神经网络的优越性。     

基于径向基函数神经网络的铣刀磨损监控技术的研究

提出一种基于径向基函数神经网络的铣刀磨损监控方法,径向基函数神经网络的输出是刀具磨损的具体值,这样有利于对刀具磨损进行各种实时补偿。实验表明,利用径向基函数神经网络进行状态识别可对小型立铣刀的磨损进行监控,能够取得良好的效果,同时证明RBF网络的训练速度优于BP网络。     

基于RBF神经网络的人脸识别

介绍了RBF神经网络在人脸识别中的应用;通过理论分析和实验效果突出了RBF神经网络在机器学习中的优势。实验结果证明:RBF神经网络具有运算速度快、识别率高、算法简单等特点。在训练样本减少的情况下,该学习机的分类性能没有明显退化。因此,RBF神经网络是一种性能优异的学习机。     

RBF神经网络用于家用空调系统匹配特性的研究

RBF神经网络是目前应用较多的一种神经网络。它能以任意精度逼近任意非线性函数,具有良好的逼近性能,并且结构简单,是一种性能优良的神经网络。因此,将RBF神经网络应用于家用空调匹配仿真研究时具有独特的优势。提出采用RBF神经网络估算制冷量和压力来优化研发过程,仿真结果表明,RBF神经网络运用于家用空调匹配仿真,能够精确仿真空调制冷量和低压力等参数,并预测制冷量和压力,能有效地减少家用空调匹配时间,提高研究效率。     

基于径向基函数神经网络的发动机磨损预测分析

针对BP神经网络算法的不足,利用径向基函数(RBF)神经网络建立设备的磨损预测模型,对光谱分析数据进行实例仿真,并与BP网络模型进行对比研究.仿真结果表明,该模型预测精度高,训练时间短,大大优于BP神经网络模型.