思维状态的EEG信号分类方法研究

脑电信号(EEG)是一种研究脑活动的重要信息来源,基于脑电信号的人与计算机的通信已成为一种新的人机接口方式.运用时域回归方法对2～5种不同思维脑电信号进行预处理,用AR模型提取信号分段前后特征,最后用BP算法进行分类.并对分段前后的分类结果进行比较,实验表明,该方法达到很好的分类效果.     

基于BP神经网络的小麦碰撞声信号分类

小麦在储藏阶段由于各种灾害导致损失巨大,并降低了面粉质量,及时检测并分离小麦的受损颗粒迫在眉睫。文章以提取4类小麦碰撞声信号为基础,使用数字信号处理方法对小麦完好粒、虫害粒、霉变粒及发芽粒的碰撞声信号提取有效特征,最后利用BP神经网络进行分类,对于3类小麦类型的识别取得了较好的识别率。应用结果表明BP神经网络能够较好地实现区分受损小麦颗粒与完好小麦颗粒。     

基于BP神经网络的指纹模板分类器分类算法

指纹识别是计算机模式识别领域中一个比较活跃的课题。有着十分广泛的应用前景。对于庞大的指纹信息，人们越来越关心的是如何对其分类与储存。文章提出了一种基于BP神经网络的指纹模板分类算法，在简介指纹图像的预处理和模板建立过程的基础上，着重阐述基于黄金分割法的自适应变步长算法，仿真表明它比传统的固定步长算法有更好的收敛速度和精度。     

基于神经网络的语音信号识别与分类

针对基于深度神经网络的端对端的语音识别技术展开研究,通过深度全序列卷积神经网络（DFCNN）声学模型和Transformer语言模型搭建一种端对端的语音识别系统。该系统完成对模型及数据的训练,实现对多字符中文语音的识别,并对隐马尔可夫语音识别方法和深度神经网络下的语音识别方法的系统搭建难度、原理差异和识别精确度进行对比研究。仿真结果表明,所提方法能够实现对连续多字符中文语音的有效识别,识别正确率在90%以上。     

BP神经网络对固井信号分类能力的研究

本文研究了BP神经网络对固井信号的分类能力．首先应用理论框模型分析了不同层状介质结构的回波，并系统深入地研究了层状介质物理参数的变化对BP神经网络分类的影响。理论研究结果表明，当各层介质参数在一定范围内变化时，不影响网络的正确分类，即BP神经网络对固井信号分类具有很强的Robust性。本文也给出了对实际困井信号的分类结果，其正确识别率在叨％以上。该研究结果反映出BP神经网络具有很强的信号分类能力，对将其用于固并信号分类的工程实际有重要价值。     

高频地波雷达中断信号恢复方法研究

信号中断是造成高频地波雷达回波谱信噪比下降的主要原因之一.在传统的中断信号恢复方法-自回归(Autoregressive,AR)模型的基础上,提出了基于反向传播(Back Propagation,BP)神经网络的信号恢复方法. 通过实测数据验证了两种方法的处理效果,结果表明:BP神经网络的预测误差小于AR模型的预测误差,随着预测点数的增加,误差增长率小于AR模型,同时BP神经网络恢复方法对海洋回波信号能量损失较小.     

一种新的雷达信号分选方法

在雷达辐射源信号分选领域,随着现代电子战电磁环境的恶化,信号参数空间的严重交叠,五经典参数分选方法性能急剧下降.针对传统信号分选方法的不足,提出瞬时自相关算法瞬时频率派生特征提取算法,提取和补充新的分选参数,构建更为有效的分选特征向量.通过Matlab仿真,验证了该算法的正确性和实际应用的可行性.     

一种基于神经网络的图像复原方法

提出了一种基于BP神经网络的图像复原算法.在分析图像模糊机制的基础上,为了降低输入维数,该方法采用滑动窗口操作来提取特征,同时为了加快训练速度和改善网络复原效果,首先对图像进行边缘提取,对图像内边缘区域和平坦区域分别采用滑动窗口获得训练集.利用BP神经网络的学习能力,通过训练,建立含有退化信息(高斯模糊)的模糊图像和清晰图像之间的映射关系模型,利用该模型对模糊图像进行复原,得到的复原图像在视觉上和定量分析上都获得了较好的效果.     

基于智能运输系统的移动网络信号范围侦测方法

文章提出一套基于智能运输系统的移动网络信号范围侦测方法,由装载全球定位系统（GlobalPositioningSystem,GPS）的车载移动设备周期性撷取其当下的移动网络信号（如：小区识别码）和经纬度坐标,并回传至服务器。服务器可依据车载设备所回传的移动网络信号和经纬度坐标,结合凸壳算法绘制出每个基站的传输范围,以弥补未行驶路段的信号状况。再据此传输范围分析同一个区域多个小区覆盖的情况,判断哪些区域未被小区涵盖,或仅被一个小区涵盖且介于传输范围边缘,并将此作为移动通信收讯不良或通信死角区域的判断依据,为维运人员提供参考。     

基于BP神经网络算法的车牌字符识别系统设计

构建车牌字符识别系统,并对系统中BP网络反传学习速率进行改进,提高了识别率并降低学习时间;在特征提取上针对汉字综合采用非均匀网格特征和外围特征提取法,字母与数字采用均匀粗网格特征加笔划密度特征提取法,优化了系统的识别精度并提高了识别速度.采用BP算法增强了车牌识别的容错性、鲁棒性.     

基于滤波重构和卷积神经网络的心电信号分类

计算机自动分类心电信号能够减轻医生工作压力并大幅提高诊断速度和准确率。文中针对传统算法中特征提取过程复杂及抗干扰能力弱的问题,提出了一种结合滤波重构和卷积神经网络的心电信号分类算法。该算法首先通过传统信号滤波和心拍序列重构去除原始心电信号中的噪声干扰,然后构建卷积神经网络来自动学习心电信号特征并完成分类。在PhysioNet/CinC Challenge 2017数据集上的分类实验结果表明,该方法的平均F₁(查准率、召回率的调和平均)达到了0.8471,优于人工特征提取和常规卷积网络方法,且具有很强的抗干扰能力。     

基于AR模型的小波变换在脑电信号消噪中的应用

提出了基于自回归模型(ARM)与小波变换的脑电信号分析方法,并利用他来消除脑电信号中的噪声干扰。小波变换是一种多分辨率的时间尺度分析方法,他能够将信号划分为不同频段的子带信号。根据小波变换的这一特性,对采样获得的脑电信号进行各尺度分解及消噪分析,并给出了各尺度分解结果及消噪结果。利用小波变换能有效去除脑电信号中的噪声干扰。     

一种新的基于小波包分解的EEG特征抽取与识别方法研究

为了提高脑思维任务分类精度,提出一种新的脑电特征抽取与识别方法.首先进行小波包分解,然后结合能反映脑电信号在时域与频域上的能量分布特征的小波包熵概念,从小波包库中选择最优小波包基,对各个最优基所对应的小波系数求取统计特性,然后根据不同脑思维任务下左右半脑各导联间的差异性对各个导联对求取不对称率构成分类特征向量,最后利用SVM分类器对其进行分类.实验结果表明:相对于一般的小波包分解,最优小波包基和自回归特征抽取方法,该方法对5类不同脑思维任务的所有10种不同组合任务对的平均分类预测精度可以达到95.41％～99.65％.     

一种基于改进BP神经网络的物体识别方法

提出基于自适应学习速率动量梯度下降的BP算法进行物体识别,并以修正的Hu不变矩特征作为BP神经网络的输入,通过训练对网络的权值和阈值进行调整.该算法使BP神经网络在学习速率和稳定性上有了进一步的提高.仿真结果表明该方法对物体的平移、旋转、缩放都具有不变性,从而验证了该方法的有效性.     

小波变换和AR模型在脑电信号处理中的应用

谈论了基于小波变换和AR模型的(EEG)信号的分析方法,在两种方法相结合的情况下,能有效消去(EEG)信号的噪声。用小波变换对含有瞬态干扰的脑电信号进行多尺度分解,在某些尺度下,瞬态信号特征得以明显增强,用简单的阈值比较就可以有效地检测并消除瞬态干扰。最后在Matlab环境下进行仿真实验,验证了此方法在提取脑电信号中的有效性。     

基于BP网络模型的几种新型时域散射信号获取技术

本文给出了能较好地获取目标散射信号的基于ＢＰ网络模型的直达波特征探测法与“间断”自适应直达波抵消法,同时亦将归纳出的经去相关预处理后的自适应直达波对消与自适应处理直接相减信号的散射信号获取方法进行了介绍。文中给出的部分计算机仿真结果验证了上述算法的可行性。     

脑电信号预处理方法研究综述

脑电信号是一种复杂且重要的生物信号,被广泛应用于类脑智能技术和脑机接口领域的研究。文中介绍了干扰正常脑电信号的常见非生理性伪迹和生理性伪迹的类型及特点,并对生理性伪迹的产生原因进行了详细分析。通过对各种脑电信号去除伪迹方法的回顾以及应用现状的分析,比较并总结了传统去除伪迹方法和新型去除伪迹方法的研究进展,并进一步分析去除伪迹方法的优缺点。部分方法已经成功应用于处理脑电信号中的眼电、心电和肌电等伪迹中。文中还针对目前脑电信号去除伪迹的需求及所面临的问题给出了应对策略,并对未来的研究方向进行了分析和展望。     

基于BP神经网络的直扩信号扩频码盲识别

针对微弱直扩信号的盲检测与估计问题,在接收方未知发送方扩频序列的前提下,提出了一种恢复直接序列扩频（DSSS）信号扩频码的方法。该方法基于反向传播（BP）神经网络,它的输入是接收到的信号,而其期望输出是和输入相同的信号,根据误差反向传播来有监督地调节神经网络,网络达到收敛时根据第二层权值的符号函数值即可盲估计出扩频码序列。实验结果表明,即使是在负信噪比情况下,该方法也能得到一个很好的估计效果。     

基于神经网络的数据融合方法

作为一种新的方法体系,人工神经网络具有分布并行处理、非线性映射、自适应学习、较强的鲁棒性和容错等特性,这使得它在模式识别、控制优化、智能信息处理以及故障诊断等方面都有广泛的应用。本文对BP神经网络模设计、建立及训练进行了深入的讨论,研究了基于BP神经网络的数据融合的优缺点。     

基于卷积神经网络的雷达目标HRRP分类识别方法

卷积神经网络通过卷积和池化操作提取图像在各个层次上的特征进而对目标进行有效识别,是深度学习网络中应用最广泛的一种。文中围绕一维距离像雷达导引头自动目标识别,开展基于卷积神经网络的目标高分辨距离像分类识别方法研究。首先,基于空中目标一维距离像姿态敏感性仿真生成近似平行交会条件下不同类型目标的高分辨距离像数据集;其次,构建一种一维卷积神经网络结构对目标高分辨距离像进行分类识别;作为比较,针对同类高分辨距离像数据集,分析了主成分分析-支持向量机方法的目标分类识别效果。结果表明:基于卷积神经网络的目标分类识别算法有更好的识别能力,对高分辨距离像的姿态敏感性具有较强的适应性。