基于数据空间自适应与共空间模式的脑电情感分类

为缓解日间脑电信号波动和差异导致情感分类性能下降的问题,在数据空间自适应(DSA)与共空间模式(CSP)迭代的基础上,提出一种用于脑电情感分类的特征提取算法。针对12个受试者连续5 d的情感脑电信号,采用DSA算法对脑电信号进行空间线性变换,再使用CSP将脑电信号变换到最优子空间,提取日间差异最小且类间差异最大的脑电功率谱密度特征及微分偏侧与差异因果特征。实验结果表明,该算法能提高脑电信号情感分类的准确率和稳定性。     

利用XML扩展基于MVC模式的Web应用框架的研究

针对目前Web应用的需求以及存在的问题，讨论了在J2EE平台上利用JSP／Servlet／EJB技术构建的一个基于MVC模式的Web应用框架，然后提出利用XML技术来扩展这个应用框架的方案，并在虚拟企业异地产品协同设计管理系统的开发过程中验证了这一方案的可行性和有效性。     

基于PSK声通信的无线传感器网络节点设计

可用于无线传感器网络的声信号通信方式,不占用无线电通信频率带宽,无射频干扰,在诸如环境监测、军事侦测等领域有广泛的应用前景。研究了一种基于相移键控(PSK)调制声通信的无线传感器网络节点系统。节点系统采用ARM+FPGA的结构,核心控制器为具有低功耗休眠模式的STM32型ARM芯片,FPGA用于进行数据缓存和部分数据处理,采用PZT型扬声器实现声信号的收发。测试表明:节点系统可以在10m范围内进行数据通信,数据码率300bps,误码率小于10-3,系统最大功耗小于0.1 W,最低休眠功耗小于10μW。     

基于UPF的INS非高斯噪声故障检测

由于实际组合导航系统很可能受到非高斯噪声的影响,而传统的故障检测方法对非高斯噪声情况讨论较少.基于粒子滤波的故障检测技术非常适合处理非线性、非高斯问题,并且有效地克服了传统方法的不足,但是普通的粒子滤波器存在粒子“退化”等问题.为此,本文提出了一种基于UPF滤波器的导航系统故障检测方法,通过在普通粒子滤波中引入UKF产生建议分布及重采样的方法,有效抑制了普通粒子滤波器粒子“退化”的问题.并针对噪声的非高斯特性,将似然检测方法与粒子滤波可以估计似然函数的特点相结合,提出了一种基于UPF的故障检测方法.通过GPS/SINS组合导航系统在噪声服从瑞利分布情况下的故障检测仿真实例,表明此方法适用于在非高斯噪声情况下的导航系统故障检测.     

基于卷积联合适应网络的脑电信号情感识别

提出一种基于深度卷积联合适应网络（Convolutional neural network-joint adaptation network,CNN-JAN）的脑电信号（Electroencephalogram, EEG）情感识别模型。该模型将迁移学习中联合适应的思想融合到深度卷积网络中,首先采用长方形卷积核提取数据的空间特征,捕捉脑电数据通道间的深层情感相关信息,再将提取的空间特征输入含有联合分布的多核最大均值差异算法（Multi-kernel joint maximum mean discrepancy,MK-JMMD）的适配层进行迁移学习,使用MK-JMMD度量算法解决源域和目标域分布不同的问题。所提方法在SEED数据集上使用微分熵特征和微分尾端性特征分别进行情感分类实验,其中使用微分熵特征被试内跨试验准确率达到84.01%,与对比实验和目前流行的迁移学习方法相比,准确率进一步提高,跨被试实验精度也取得较好的性能,验证了该模型用于EEG信号情感识别任务的有效性。     

RSVP与SSVEP混合脑电信号刺激与多类事件检测

提出一种新的基于快速序列视觉呈现（Rapid Serial Visual Presentation,RSVP）与稳态视觉诱发电位（Steady-State Visually Evoked Potential,SSVEP）组合范式的脑电信号（Electroencephalogram,EEG）刺激与多类事件检测方法。对诱发的原始脑电信号通过电位重参考、基线去除、空间滤波等预处理操作去除数据的伪迹和噪声,通过自举聚合决策树（Bagging Tree,BT）和支持向量机（Supported Vector Machine,SVM）等机器学习算法,对14名受试者双重刺激诱发的脑电信号进行目标与频率相结合的多类事件检测,通过实验验证了该组合范式诱发的脑电信号具有良好的多类可分性,为开发基于RSVP和SSVEP两种范式的混合型脑-机接口应用提供了一种新的有效途径。同时,实验结果还表明,基于机器学习的BT和SVM模型对RSVP和SSVEP组合范式诱发的EEG信号进行多类识别的性能明显优于传统的典型关联分析（Canonical Correlation Analysis,CCA）算法的性能。     

智能电能表动态特性测试相关问题分析

首先给出了动态测量的概念,概括了动态特性测试涉及的科学问题;据此,提出了动态电能测量和稳态电能测量的概念,给出了动态负荷、动态负荷特性、冲击负荷、动态电流的定义。进而,提出了动态测试激励信号建模的要求、电能表动态特性测试的相关要求、以及电能表的系统动态建模要求。其次,论述了电能表动态测试信号与系统建模的研究现况。然后,通过对比控制系统、测量系统、传感器的动态建模研究现状,指出了电能表的系统建模和测试信号建模的不足与存在问题,以及电能表的系统建模与测试信号建模的复杂性和差异性。最后,在分析控制系统与传感器的动态特性指标的基础上,提出了电能表的动态特性指标。论述的内容旨在为智能电能表动态特性的研究方面提供系统的研究思路,明确了电能表动态测试信号的建模要求和电能表系统建模要求。     

基于混合神经网络的脑电时空特征情感分类

提出一种脑电图（electroencephalograph,简称EEG）数据表示方法,将一维链式EEG向量序列转换成二维网状矩阵序列,使矩阵结构与EEG电极位置的脑区分布相对应,以此来更好地表示物理上多个相邻电极EEG信号之间的空间相关性.再应用滑动窗将二维矩阵序列分成一个个等长的时间片段,作为新的融合了EEG时空相关性的数据表示.还提出了级联卷积-循环神经网络（CASC_CNN_LSTM）与级联卷积-卷积神经网络（CASC_CNN_CNN）这两种混合深度学习模型,二者都通过CNN卷积神经网络从转换的二维网状EEG数据表示中捕获物理上相邻脑电信号之间的空间相关性,而前者通过LSTM循环神经网络学习EEG数据流在时序上的依赖关系,后者则通过CNN卷积神经网络挖掘局部时间与空间更深层的相关判别性特征,从而精确识别脑电信号中包含的情感类别.在大规模脑电数据集DEAP上进行被试内效价维度上两类情感分类实验,结果显示,所提出的CASC_CNN_LSTM和CASC_CNN_CNN网络在二维网状EEG时空特征上的平均分类准确率分别达到93.15%和92.37%,均高于基准模型和现有最新方法的性能,表明该模型有效提高了EEG情感识别的准确率和鲁棒性,可以有效地应用到基于EEG的情感分类与识别相关应用中.     

基于UML的实用软件体系结构描述方法的应用研究

提出一种基于统一建模语言（Unified Modeling Language,简称UML）的实用软件体系结构描述方法,将软件体系结构设计、描述和表示与软件系统建模有机结合在一起,并以异构网络平台的数据集成中间件（Data Integration Middleware,简称DI）开发为例,通过使用大量UML构造型对软件体系结构的多个视图模型进行规范化描述,使开发者在此基础上可以容易地进行DI的详细设计和编码,也为以后DI功能的变化和体系结构设计的重用提供了良好的支持.     

遥测三相流产出剖面组合测井仪

介绍一种过环空三相流多参数组合测井仪。通过采用单相流计量仪的涡轮流量计测量体积流量,其流动回路实验结果表明,涡轮仪表常数k与流动密度ρn之间存在线性关系。传感器的测量原理是利用^109Cd放射源发射的γ和X射线分别确定三相平均密度和持水率,针对不同的配比流动密度和含气率分别作出持水率与实配含水率及流量的关系图版。井温和井下压力的测量分别采用铂电阻传感器和应变传感器测量。根据测得的涡轮转数、密度、持水率、井温和压力等参数计算三相总流量、流动密度、含水率、含油率、含气率等,进而得到油、气、水三相的分相流量,最后得到三相产出剖面成果。经大庆油田现场10井次试验获得的三相产出剖面测井资料证明,其仪器的测量重复性好,测量值与井口计量符合较好,与生产层情况的对比分析也证实了仪器测量的准确性和可靠性。