基于图谱分析的脑电网络研究

针对脑活动过程功能连接网络分析问题,将图谱域分析技术应用于脑电网络研究中。对各导联脑电信号特征节律提取、不同测量节点之间脑电信号特征节律相关系数邻接矩阵及拉普拉斯矩阵进行了研究,并对拉普拉斯矩阵分解得到的不同阶次分量矩阵以及二值化处理得到的不同阶次脑电网络拓扑结构进行了分析,提出了一种基于图谱分析的脑电网络研究方法;采用癫痫患者正常情况与癫痫发作阶段的脑电信号对提出的方法进行了测试。实验结果表明:在两种情况下,提出的图谱分析方法均能有效提取不同变化模式的脑电网络拓扑结构,并能实现正常区域与癫痫发作区域的有效分类,接收者操作特征曲线下面积为0. 834;分类结果优于常用的对比方法。     

基于噪声主动控制方法的非稳态车内声品质优化研究

首先对16辆各种型号的轿车进行了加速条件下车内噪声样本的采集,通过噪声信号的主客观分析研究,得出主观评价结果与客观物理参量之间的相关性,明确了加速状态下响度、尖锐度及粗糙度是影响车内声品质的主要因素。而后,对声品质最差的7号车运用噪声主动控制方法进行车内噪声优化实验,通过对比发现,车内噪声的响度、尖锐度及粗糙度都有明显的减少。将数据代入声品质客观计算模型,同时进行主观评价实验,结果表明其评分等级从16级降至12级,从而证明了噪声主动控制方法能有效提高加速条件下车内噪声的声品质。     

数学形态滤波在去除脑电伪迹中的应用

针对脑电信号在采集过程中容易受到伪迹(噪声)干扰的问题,提出了利用数学形态滤波器去除脑电伪迹的方法。根据脑电信号和伪迹的不同性质,采用不同的结构元素组成两级数学形态滤波器,对受到工频干扰的脑电信号进行处理,并通过信噪比和均方误差对滤波效果进行评价。仿真结果表明,与一级数学形态滤波器和小波软阈值法相比,该方法不仅可以有效地抑制工频干扰,提高信噪比,还能够降低均方误差,较好地保持脑电信号的特征形态。     

面向性能的定制产品感性意象评价方法研究

机械产品的设计已经从功能层面的满足上升到情感层面的满足,功能不再是唯一的重点,机械产品特别是定制产品的性能越来越受到重视。感性意象是用户对产品性能表现形成的印象,决定了产品是否能够满足用户高层次的情感需求。提出一种面向性能的定制产品感性意象评价方法,采集脑电信号用于反映用户的感性意象,并以此为主要依据,验证产品的性能。为了精确、全面地反映用户对于定制产品性能的感性意象评价,综合客观评价法和用户主观评价结果对采集的脑电信号分级标定。以乘客对于高速电梯乘运性能的评价为例,通过小波包分解提取乘客脑电信号的特征,利用随机森林算法实现对于电梯运行过程中脑电信号的分类。从而建立一种针对高速电梯乘运性能的感性意象评价模型,实现脑电数据特征的约简,得到了一种新的电梯乘运性能评价指标。通过脑电信号将乘客使用电梯产品时的愉悦感、舒适性量化表达,为定制产品感性意象评价提供了一个新的理论与方法。     

基于深度网络迁移学习的致痫区脑电识别

致痫区脑电识别能够为癫痫外科手术提供重要的参考价值。提出了一种基于深度网络迁移学习的致痫区脑电识别算法。首先利用连续小波变换(CWT)对脑电信号进行时频分析,获得脑电信号时频图;然后迁移学习AlexNet网络模型,调整网络结构使之适应于致痫区脑电识别,将模型第7层全连接层输出作为脑电信号时频图的特征表示,最后利用支持向量机(SVM)、BP神经网络、长短期记忆网络(LSTM)、基于稀疏表达分类算法(SRC)、线性判别分析(LDA)等分类算法进行特征分类。基于开源脑电数据集采用十折交叉验证的方法对算法进行了验证,比较6种分类器的效果,得到SVM算法的平均特异性为88.81%,灵敏度为88.07%,准确率为88.44%,证明了该方法识别致痫区脑电信号的有效性。     

轿车车内中频噪声分析及车身板件优化

为降低轿车车内中频噪声问题,采用有限元与统计能量混合的方法对某国产轿车的车内声场进行建模,在动力总成激励和路面激励下对模型进行了仿真分析。通过车身板件功率贡献分析,找到对驾驶室噪声影响较大的板件,并对前围板、顶棚等关键板件添加不同的阻尼和改变衬底材料等进行声学处理,对比分析整车模型处理前后的车内噪声值,证明了控制方法的有效性。     

基于可解释深度学习的单通道脑电跨被试疲劳驾驶检测

脑电信号被认为是检测驾驶员疲劳状态的最佳生理信号之一。 然而,由于不同被试者和不同记录时段的脑电信号差异 很大,设计一个无校准的脑电疲劳检测系统仍然具有挑战性。 近年来,虽然开发了许多深度学习方法来解决这个问题并取得了 重大进展,但是深度学习模型的黑盒效应使得模型决策不可信赖。 为此,本文提出了一种可解释深度学习模型,用于从单通道 脑电信号中检测跨被试疲劳状态。 该模型具有紧凑的网络结构,首先设计浅层 CNN 提取 EEG 特征,然后引入自适应特征重新 校准机制增强提取特征的质量,最后通过 LSTM 网络将时间特征序列与分类相关联。 模型分类决策的可解释信息则是由 LSTM 输出隐藏状态的可视化技术实现的。 在持续驾驶任务的公开脑电数据集上进行大量跨被试实验,该模型的分类平均准确率最 高达到 76. 26% 。 相比于先进的紧凑型深度学习模型,该模型有效降低了参数量和计算量。 可视化结果表明该模型已发现神经 生理学上可靠的解释。     

基于深度网络迁移学习的致痫区脑电识别* .txt

摘要：致痫区脑电识别能够为癫痫外科手术提供重要的参考价值。提出了一种基于深度网络迁移学习的致痫区脑电识别算法。首先利用连续小波变换（CWT）对脑电信号进行时频分析，获得脑电信号时频图；然后迁移学习AlexNet网络模型，调整网络结构使之适应于致痫区脑电识别，将模型第7层全连接层输出作为脑电信号时频图的特征表示，最后利用支持向量机（SVM）、BP神经网络、长短期记忆网络（LSTM）、基于稀疏表达分类算法（SRC）、线性判别分析（LDA）等分类算法进行特征分类。基于开源脑电数据集采用十折交叉验证的方法对算法进行了验证,比较6种分类器的效果，得到SVM算法的平均特异性为8881%，灵敏度为8807%，准确率为8844%，证明了该方法识别致痫区脑电信号的有效性。 .txt     

基于支持向量机的车内噪声声品质预测

提出了采用支持向量机的车内噪声声品质预测方法,对采集的车内噪声样本采用基于小样本理论的支持向量机回归方法,建立车内噪声声品质客观评价参量与主观评价结果的关系模型对车内噪声声品质进行预测.实例分析表明,选取适当的车内噪声声品质客观评价参量,利用支持向量机回归方法建立的车内噪声声品质预测模型的预测精度较高.     

基于PCA和BP神经网络的立体视觉疲劳度分级及预测研究

目的:通过对志愿者观看3D影片之后的脑电信号进行主成分分析,选取最能代表立体视觉疲劳度的主成分,运用BP神经网络对疲劳等级进行建模,提高对疲劳度等级的预测准确度。方法:采集15名志愿者观看五部不同3D影片前后的脑电信号,先对脑电信号进行疲劳度分级并选取特征通道;再对特征通道的脑电信号进行主成分分析选取影响最大的特征主成分,利用BP神经网络进行建模,根据建立的模型对立体视觉引起的疲劳等级进行预测,将预测结果与已知的疲劳等级进行对比。结果:根据文献中的疲劳等级将实验结果分成三个等级;据累计贡献率超过90%选取的前四个主成分建立的预测模型,准确度达95.4%。结论:运用主成分分析和BP神经网络的方法对立体视觉疲劳度进行预测,预测准确度较高,与直接根据脑电特征参数建立模型的方式相比简便和准确,这一方法对立体视觉引起的疲劳度分级及预测提供了新的思路。     

基于LAN9252的EtherCAT伺服从站设计

针 对 多 轴 同 步 控 制 中 存 在 实 时 性 和 同 步 性 较 差 的 状 况 ，设 计 一 种 基 ＥｔｈｅｒＣ Ａ Ｔ协 议 的 伺 服驱 动 从 站 。 该 方 案 以Ｓ Ｔ Ｍ ３２ 作 为 处 理 器 ，使 用 Ｌ Ａ Ｎ９２５２ 专 用 芯 片 实 现 ＥｔｈｅｒＣ Ａ Ｔ协 议 的 数 据 解 析 和 打 包等 工 作 ，完 成 与 伺 服 驱 动 的 通 信 与 数 据 交 换 ，硬 件 上 实 现 了 伺 服 驱 动 电 路 设 计 以 及 实 物 制 作 ，软 件 上 完 成 了数 据 通 信 、从 站 驱 动 以 及 从 站 的 运 动 控 制 模 式 。 最 后 搭 建 了 试 验 测 试 平 台 ，试 验 结 果 表 明 ，两 从 站 接 收 同 步信 号 平 均 误 差 为 １５ nｓ ，具 有 优 越 的 同 步 性 能 。     

基于EEMD-SVM的自动扶梯主驱动轴轴承故障诊断方法研究

针对自动扶梯由于长期处于高员载运行状态而引起主驱动轴轴承故障问题,提出一种基于EEMD-SVM的自动扶梯主驱动轴轴承故障诊断方法。使用集合经验模态分解(EEMD)对轴承异常的振动加速度信号进行分解来提取信号特征,然后基于支持向量机(SVM)构建故障诊断模型对信号进行诊断,从而确定故障状态。     

用于车辆提升的升降码分机设计及有限元仿真

为 了 解 决 当 前 城 市 汽 车 车 位 数 量 严 重 不 足 的 现 实 问 题 ，对 可 将 车 辆 安 全 提 升 到 空 间 车 库 的 升降 码 分 机 进 行 研 究 与 设 计 ；基 于Ｓｏｌｉｄ Ｗ ｏｒｋｓ Ｓｉｍ ｕｌａｔｉｏｎ模 块 ，对 码 分 机 上 的 升 降 平 台 受 变 载 产 生 的 弹 性 变形 进 行 有 限 元 仿 真 分 析 ，根 据 其 弹 性 变 形 量 优 化 了 控 制 系 统 ，提 出 车 辆 出 入 库 时 升 降 平 台 边 缘 升 降 补 偿 量随 时 间 的 变 化 关 系 式 。 降 低 了 因 升 降 平 台 弹 性 变 形 而 产 生 的 系 统 误 差 ，提 高 了 车 辆 出 入 库 的 稳 定 性 。 研 究结 果 具 有 一 定 的 工 程 实 际 意 义 。     

军工电子智能制造总体架构及关键赋能技术研究

从 国 内 军 工 电 子 智 能 制 造 转 型 迫 切 需 求 出 发 ，以 通 用 智 能 制 造 系 统 架 构 为 参 考 ，从 生 命 周 期维 、系 统 架 构 维 和 智 能 特 征 维 ３ 个 维 度 构 建 了 军 工 电 子 智 能 制 造 参 考 模 型 ，进 一 步 从 工 程 实 现 的 角 度 提 出 了军 工 电 子 智 能 制 造 总 体 架 构 。 结 合 工 程 实 践 ，对 柔 性 生 产 、数 字 孪 生 、基 于 模 型 的 系 统 工 程 （ Ｍ ＢＳＥ ）以 及 网络 协 同 制 造 等 智 能 产 线 、智 能 车 间 、智 慧 企 业 、工 业 互 联 网 平 台 等 建 设 与 运 营 关 键 赋 能 技 术 进 行 应 用 分 析 与实 践 探 讨 。 实 践 表 明 ，所 提 出 的 智 能 制 造 总 体 架 构 及 关 键 赋 能 技 术 应 用 案 例 对 军 工 电 子 智 能 制 造 领 域 的 相关 研 究 和 建 设 具 有 积 极 的 借 鉴 意 义 和 参 考 价 值 。     

基于工业机器人的铁氧体湿压磁材表面缺陷检测

为 了 保 证 永 磁 铁 氧 体 湿 压 磁 材 的 质 量 与 一 致 性 ，提 出 一 种 基 于 工 业 机 器 人 的 永 磁 铁 氧 体 湿压 磁 材 表 面 缺 陷 检 测 系 统 及 检 测 方 法 。 首 先 ，设 计 了 检 测 系 统 的 虚 拟 样 机 ，阐 述 了 系 统 的 工 作 原 理 。 进而 ，分 析 了 系 统 中ＳＣ Ａ Ｒ Ａ机 器 人 的 正 向 运 动 学 、反 向 运 动 学 及 轨 迹 规 划 算 法 ，展 示 了 铁 氧 体 磁 材 的 被 检测 过 程 。 然 后 ，给 出 了 铁 氧 体 磁 材 表 面 缺 陷 检 测 方 法 ，包 括 自 适 应 直 方 图 均 衡 化 、 Ｋｉｒｓｃｈ 边 缘 提 取 和 缺 陷域 特 征 处 理 。 最 后 ，通 过 仿 真 算 例 和 检 测 试 验 验 证 了 本 文 所 设 计 检 测 设 备 的 合 理 性 及 表 面 缺 陷 检 测 方 法的 可 行 性 。     

基于群体智能算法的多级图像阈值分割技术的研究

针 对 随 着 阈 值 数 量 增 加 ，导 致 传 统 的 多 级 阈 值 处 理 方 法 已 不 能 满 足 实 时 应 用 的 状 况 ，在 分 析 群体 智 能 算 法 和 模 式 搜 索 的 机 理 后 ，提 出 了 一 种 用 于 多 级 图 像 阈 值 的 基 于 模 式 搜 索 策 略 的 改 进 ＩＰＳ 算 法 ，以 提高 群 体 智 能 算 法 在 多 阈 值 搜 索 中 的 综 合 性 能 。 该 策 略 是 应 用 步 长 固 定 模 式 搜 索 算 法 ，在 每 次 迭 代 中 对 ＩＰＳ算 法 获 得 的 全 局 历 史 最 优 解 进 行 轴 向 精 细 搜 索 ，从 而 从 众 多 次 有 解 中 找 到 最 优 阈 值 。 仿 真 实 验 结 果 表 明 ，改 进 ＩＰＳ 的 算 法 不 仅 具 有 良 好 的 全 局 探 索 和 局 部 优 化 能 力 ，而 且 在 分 别 基 于Ｂ Ｃ Ｖ方 法 和Ｋ Ｅ方 法 的 多 级 阈值 处 理 方 面 具 有 优 越 的 综 合 性 能 。     

Ｓ Ｋ Ａ低频天线结构优化设计

针 对Ｓ Ｋ Ａ低 频 天 线 单 元 的 结 构 设 计 指 标 要 求 ，首 先 在 天 线 概 念 设 计 阶 段 对 所 提 供 的 ２ 种 结 构方 案 进 行 对 比 评 估 ，然 后 针 对 优 选 方 案 ，在 装 配 工 艺 性 、运 输 性 以 及 环 境 适 应 性 这 几 个 关 键 点 上 进 行 详 细 优化 设 计 ，同 时 利 用 仿 真 分 析 对 结 构 刚 强 度 进 行 校 核 ，最 终 完 成 天 线 单 元 的 结 构 设 计 。 设 计 过 程 对 于 该 类 型大 尺 寸 对 数 周 期 天 线 的 结 构 设 计 具 有 一 定 的 指 导 意 义 。     

基于边缘计算与强化学习的配电物联网体系架构研究与应用

针 对 泛 在 物 联 网 与 智 慧 电 网 融 合 背 景 下 涌 现 的 万 物 云 化 下 的 智 能 决 策 与 协 同 自 治 、能 源 生 产与 消 费 双 向 互 逆 流 动 、云 管 边 端 数 据 控 制 流 深 度 融 合 、边 缘 计 算 泛 化 能 力 与 学 习 能 力 均 衡 、多 维 差 异 性 数 据融 合 传 送 机 制 、数 据 融 合 及 优 先 级 自 动 退 避 机 制 等 新 型 需 求 ，提 出 了 一 种 基 于 边 缘 计 算 与 强 化 学 习 的 配 电物 联 网 体 系 架 构 模 型 。 通 过 融 合 泛 在 物 联 网 与 分 布 式 智 慧 电 网 智 能 体 系 ，建 立 多 维 差 异 性 信 息 物 理 高 度 融合 模 型 ，构 建 自 主 全 面 感 知 、全 局 最 优 协 同 、物 理 资 源 虚 拟 化 管 控 、软 硬 件 深 度 解 耦 的 一 体 化 配 电 物 联 网 体系 架 构 ，引 入 边 缘 计 算 机 制 增 强 配 电 物 联 网 体 系 架 构 的 边 缘 计 算 层 级 ，实 现 边 缘 计 算 泛 化 能 力 与 学 习 能 力的 动 态 平 衡 ，引 入 强 化 学 习 算 法 实 现 配 电 物 联 网 体 系 架 构 的 智 能 决 策 与 协 同 自 治 。 基 于ＴｅｎｓｏｒＦｌｏｗ开 源框 架 ，在Ｇｙｍ- Ｔ Ｏ Ｒ ＣＳ 环 境 下 对 架 构 感 知 决 策 进 行 效 能 仿 真 验 证 ，较 好 地 解 决 了 配 电 物 联 网 自 主 感 知 与 智能 决 策 之 间 的 耦 合 矛 盾 ，实 现 全 局 最 优 ，具 有 稳 定 性 高 、抗 干 扰 性 强 、自 主 感 知 性 高 等 优 势 。 以 国 网 江 苏 省电 力 有 限 公 司 辖 区 某 小 型 配 电 网 为 效 能 评 价 载 体 ，对 架 构 模 型 进 行 了 工 程 应 用 分 析 ，验 证 结 果 表 明 所 提 架构 模 型 可 以 实 现 泛 在 物 联 网 下 的 全 面 云 化 ，在 配 电 设 备 泛 在 互 联 、运 维 状 态 全 面 自 主 感 知 、配 电 策 略 全 局 最优 自 主 决 策 、极 端 运 维 环 境 下 的 协 同 自 愈 等 方 面 具 有 明 显 优 势 。     

基于直接配点法的智能汽车避障路径规划研究

针 对 智 能 汽 车 避 障 路 径 规 划 问 题 ，提 出 一 种 基 于 直 接 配 点 法 的 避 障 路 径 规 划 方 法 。 建 立 了 智能 汽 车 的 运 动 学 模 型 、障 碍 车 辆 的 边 界 模 型 、道 路 可 行 驶 区 域 模 型 和 临 界 碰 撞 约 束 条 件 等 ，并 将 智 能 汽 车 的避 障 路 径 规 划 问 题 归 结 为 最 优 控 制 问 题 。 基 于 直 接 配 点 法 将 避 障 路 径 规 划 问 题 中 的 状 态 及 控 制 变 量 离 散化 ，并 基 于 三 阶Ｓｉｍ ｐｓｏｎ 公 式 将 运 动 学 约 束 条 件 转 化 为 节 点 及 配 点 处 的 状 态 及 控 制 变 量 离 散 值 的 等 式 约 束条 件 ，从 而 将 上 述 路 径 规 划 问 题 转 化 为 非 线 性 规 划 问 题 （ Ｎ Ｌ Ｐ ）进 行 求 解 以 得 到 最 优 避 障 路 径 。 双 移 线 工 况下 避 障 路 径 规 划 的 仿 真 结 果 表 明 ，其 求 解 时 间 为 ０．８３ ｓ ，具 有 良 好 的 实 时 性 ，所 规 划 的 避 障 路 径 平 滑 ，对 车 辆初 始 位 置 不 敏 感 ，验 证 了 该 方 法 的 可 行 性 。     

基于改进型蜻蜓算法的停电计划优化方法

基 于 带 约 束 的 多 目 标 优 化 理 论 ，建 立 了 年 度 停 电 检 修 计 划 决 策 模 型 ，针 对 传 统 群 智 能 算 法 效 率不 足 的 问 题 ，通 过 引 入 外 部 电 力 储 备 维 护 策 略 和 和 拥 挤 距 离 下 的 生 态 位 共 享 机 制 ，提 出 了 改 进 型 蜻 蜓 算 法 ，提 高 了 原 有 算 法 的 全 局 最 优 性 和 分 布 均 匀 性 ，提 高 了 年 度 停 电 计 划 的 经 济 、可 靠 、平 衡 性 。 最 后 通 过 ＩＥ Ｅ ＥＲ Ｔ Ｓ- ７９模 型 ，对 比 ２ 种 传 统 群 智 能 算 法 进 行 了 仿 真 分 析 。 仿 真 结 果 表 明 ，在 电 力 调 度 的 平 衡 和 储 备 达 到最 优 的 前 提 条 件 下 ，采 用 本文 提 出 的 算 法 大 大 提 高 了 求 解 效 率 ，能 有 效 满 足 实 际 电 网 停 电 计 划 的 需 要 。