复系数FIR数字滤波器的神经网络设计方法

神经网络是一种设计实系数FIR滤波器的有效算法,为了将该方法扩展到复数域,建立统一的基于神经网络的滤波器设计框架,文中提出了一种用多层神经网络设计任意幅频响应的复系数FIR数字滤波器的新算法,主要思想是将设计问题转化为实系数多层神经网络的训练问题,在实数域对幅频响应的平方误差函数的实部和虚部分别进行最小化,误差将收敛到全局最小点.实验结果表明,利用该算法设计的滤波器具有较小的幅频响应误差和群延迟误差.该算法能解决具有任意幅频响应和群延迟要求的问题,是一种有效的设计算法.     

用异质迁移学习构建跨被试脑电情感模型

由于脑电信号的个体差异性和非平稳特性对情感模型性能产生影响,如何构建跨被试脑电情感模型是情感脑-机接口领域的一个重要研究方向.本文提出一种新的从眼睛的扫视轨迹进行知识迁移的异质迁移学习方法,以提升跨被试脑电情感模型的性能.该方法的主要神经生理学依据是,被试的视觉注视诱发了大脑特定的神经活动,而这些神经活动产生的脑电信号可以为情绪识别提供重要的情境线索.为了量化不同被试之间的域差异,我们引入了基于扫视轨迹和基于脑电信号的核矩阵,并提出了改进的直推式参数迁移学习算法,以实现跨被试脑电情感模型的构建.该方法与传统方法相比,具有两个优点:一是利用了目标被试容易获取的眼动追踪数据进行被试迁移,二是在目标被试只有眼动追踪数据的情况下,仍然能够从其他被试的历史数据中学到脑电信号的情绪类别判别信息.为了验证所提方法的有效性,我们对本文提出的方法与已有的迁移方法在三类情绪识别的脑电和眼动数据集上进行了系统的对比实验研究.实验结果表明,基于眼动轨迹的迁移模型取得了与基于脑电信号的迁移模型相当的识别性能.相对于传统的通用分类器50.46%的平均准确率,基于眼动轨迹的迁移模型的平均准确率达到了69.72%.     

在生产过程自动化专业开展计算机辅助教学的研究

目前在高等院校的计算机基础教学中,较为普遍地存在着一个学与用相脱节的问题,产生这一问题的一个重要原因,是没有将各门课程与计算机有机地结合起来,没有在教学活动的各个环节中经常不断地使用计算机。因此,要改变这种局面,就必须深入进行教学改革,广泛地开展计算机辅助教学的研究与应用,逐步在各类课程中实行的计算机辅助教学。     

交互式“自动控制原理”计算机辅助教学系统CAITAC的设计与实现

CAITAC(Computer Aided Instruction for Principles of Automatic Contorl)系统是在APPleⅡ微型机上开发的一个计算机辅助教学系统,本文着重介绍了CAITAC的分析、设计与实现,以及系统的功能,讨论了CAI系统的一些设计、实现原则,最后给出了应用CAITAC系统的部分计算实例。     

一种基于感知器的样本空间划分方法

二类分类问题是机器学习中的最基本的一类重要问题.目前广泛使用的,也是最为有效的学习算法是支持向量机 (SVM).然而对于某些非线性分类问题,SVM 还不能给出令人满意的解,因此希望能找到一种方法对 SVM 解决非线性分类问题的能力加以改进.对二类分类问题,提出一种基于感知器的样本空间划分方法.该方法首先用感知器提取样本的分布信息,将整体问题划分为局部空间中的分类问题,而后使用 SVM 求出各个局部问题的最优分界面,并用最小最大模块化网络对局部分界面进行综合,得到问题的全局解.仿真实验表明,新方法能够有效地分析样本空间,提取样本分布信息,在测试数据上得到了比原有方法更好的准确率.新方法实现了预期的目标,提高了分类器处理非线性分类问题的能力.     

基于头发信息的性别分类

性别分类是指根据人脸部分的图像判别其性别的模式识别问题.探讨使用头发信息作为特征进行基于人脸图像的性别分类,提出了一种检测正面人脸图像中头发区域的方法,定义了6种头发特征并且提出了相应的特征提取方法.通过在两个人脸库上的对比实验,发现相对于特征脸(PCA)、Fisher脸(LDA)仅仅作用于人脸内部的特征提取方法,使用头发作为特征能使性别分类的平均准确率提高2.7%～8.2%.该实验结果说明了头发特征对于性别分类的重要性.     

基于局部Gabor二值映射和SVM的性别分类

基于多角度人脸图像的性别分类是计算机视觉领域的一项具有挑战性的研究课题。为了提高多角度人脸性别分类的准确率,提出一种新的局部Gabor二值映射模式特征提取方法。该方法结合了局部二值模式、图像空间信息以及Gabor小波变换的幅值信息,对图像噪声、光照变化和人脸角度变化均具有一定的鲁棒性。在中科院CAS—PEAL人脸数据库上进行的实验表明,在所有9种不同角度的人脸图像中,该方法取得了95％的最高平均准确率。     

不平衡分类问题研究综述

实际的分类问题往往都是不平衡分类问题,采用传统的分类方法,难以得到满意的分类效果。为此,十多年来,人们相继提出了各种解决方案。对国内外不平衡分类问题的研究做了比较详细地综述,讨论了数据不平衡性引发的问题,介绍了目前几种主要的解决方案。通过仿真实验,比较了具有代表性的重采样法、代价敏感学习、训练集划分以及分类器集成在3个实际的不平衡数据集上的分类性能,发现训练集划分和分类器集成方法能较好地处理不平衡数据集,给出了针对不平衡分类问题的分类器评测指标和将来的工作。     

开创基于仿脑体系结构的新型智能计算理论与系统——上海交通大学-微软智能计算及智能系统实验室

<正>上海交通大学与微软亚洲研究院于2005年9月26日联合成立了"上海交通大学-微软智能计算及智能系统实验室"(Microsoft Intelligent Computing and Intelligent Systems Laboratory of Shanghai Jiao Tong     

非侵入式脑—机接口编解码技术研究进展

脑—机接口（brain-computer interface,BCI）系统通过采集、分析大脑信号,将其转换为输出指令,从而跨越外周神经系统,实现由大脑信号对外部设备的直接控制,进而用于替代、修复、增强、补充或改善中枢神经系统的正常输出。非侵入式脑—机接口由于具有安全性以及便携性等优点,得到了广泛关注和持续研究。研究人员对脑信号编码方法的不断探索扩展了BCI系统的应用场景和适用范围。同时,脑信号解码方法的不断研发极大地克服了脑电信号信噪比低的缺点,提高了系统性能,这都为构建高性能脑—机接口系统奠定了基础。本文综述了非侵入式脑—机接口编解码技术以及系统应用的最新研究进展,展望其未来发展前景,以期促进BCI系统的深入研究与广泛应用。