基于小波变换的表面肌电信号的情感识别

情感识别是情感计算的一个关键问题。针对表面肌电信号（EMG）的非平稳性,采用小波变换方法对表面肌电信号进行分析,提取小波系数最大值和最小值构造特征矢量输入用L-M算法改进的BP神经网络分类器进行情感状态识别。实验表明,用表面肌电信号对joy、anger、sadness、pleasure 4种情感识别效果较好。也说明用小波变换方法提取特征,用神经网络作分类器的方法用于情感识别有很大的应用前景。     

基于表面肌电信号小波包熵的情感识别

情感识别是情感计算的一个关键问题。针对表面肌电信号（EMG）的非平稳性,根据小波包变换在不同时频段均能精确的刻画信号,并提供丰富模式信息的特点,提出利用小波包熵方法对不同情感状态下的表面肌电信号进行分析。实验表明,该方法对情感的唤醒度识别效果较好。     

基于小波神经网络的数字信号调制识别

本文采用熵特征的提取方法,大大减小了特征值的计算量,增强了小波神经网络(WNN)识别的有效性。同时采用改进的算法训练小波神经网络,有效的避免算法陷入局部最小值,克服了传统BP网络的固有缺点,并提高了小波神经网络的训练速度。结果表明,该系统能快速有效的识别出数字信号的调制类型,具有较高的识别精度。     

基于小波变换的肌电信号识别方法研究

针对肌电信号的非平稳特性,采用小波变换方法对表面肌电信号进行分析,提取小波系数最大值构造特征矢量输入神经网络分类器进行模式识别,经过训练能够成功地从掌长肌和肱桡肌采集的两道表面肌电信号中识别展拳、握拳、前臂内旋、前臂外旋四种运动模式。实验表明,基于小波变换的神经网络分类方法所需的数据短、运算快,对于肌电假肢的控制具有良好的应用前景。     

基于小波变换的轧辊表面缺陷在线识别

轧辊表面缺陷检测是轧辊辊型在线检测系统中的一个重要问题,它直接影响着带材产品的质量,传统的检测方法和数据分析方法已经很难适应现代的轧制生产.本文提出了一种对轧辊表面缺陷进行在线识别的方法,针对传感器在轧辊表面缺陷处输出信号的不同类型,着重论述了一种基于小波变换的缺陷识别方法,通过对实测信号的处理及分析,证明这该种方法是可行而有效的.     

表面肌电信号识别特征提取的仿真研究

研究表面肌电信号准确识别问题,表面肌电信号含有大量的噪声,且特征维数高,传统方法无法消除其中的噪声,选择最重要识别特征信号,表面肌电信号识别正确率低.为提高表面肌电信号的识别正确率,提出一种新的表面肌电信号识别模型.首先采用小波变换提取表面肌电信号特征,消除信号中的噪声,然后采用遗传算法选择最优特征信号,降低特征维数,最后采用遗传算法对支持向量机参数进行优化建立最优表面肌电信号识别模型.仿真结果表明,模型可很好地解决传统方法中的难题,提高了表面肌电信号的平均识别正确率,识别结果非常稳定,为表面肌电信号提供了一种新的识别方法.     

小波变换提取的胎动信号的神经网络识别

胎动监护是预防围产期胎死的一项重要手段。本文介绍了一种用小波变换实现胎动信号滤波并利用BP神经网络识别胎动以实现胎动自动监护的方法,其中胎动信号利用压力传感器从孕妇腹部获取。通过使用所设计的分类系统对13例共260min的腹部胎动信号进行识别,总的正确率达90．05％。从实验结果看,本方法效果令人满意。     

基于小波变换和神经网络的PCB检测

小渡变换是空间、时间和频率的局域变换,它能通过伸缩和平移等运算对覆盖整个频域的信号逐步进行多尺度细化分析.人工神经网络以其独特的非线性、非凸性、自适应性和处理各种信息的能力.广泛应用于工业领域.本文将小波变换快速算法在图像处理领域中表现出的多尺度分析与BP神经网络算法相结合.运用于电子工业检测系统中.提出对印制电路板PCB进行边缘检测、缺陷分类的方法.     

基于小波变换的表面肌电信号低功耗压缩滤波算法

针对现有的表面肌电信号采集传输系统,提出三个算法分别对采样、传输、预处理这三个主要过程进行优化:在采集端降低采样功耗,在传输过程中通过低失真高倍率数据压缩减轻传输带宽负荷,从而降低传输功耗,在接收端通过信号预处理滤除工频干扰,同时对算法复杂度进行评估并提出参数的自适应策略.经仿真验证,本文提出的算法对低功耗表面肌电信号系统设计、优化具有较好的实用性.     

基于Elman神经网络的语音情感识别应用研究

针对语音情感的动态特性,利用动态递归Elman神经网络实现语音情感识别系统。通过连接记忆上时刻状态与当前网络一并输入,实现Elman网络模型的状态反馈。基于此设计了语音情感识别系统,该系统能在后台修改网络类型,并实现单语句与批量语句识别模式。针对系统进行语音情感识别实验表明,基于Elman神经网络的语音情感识别在同等参数模型设置前提下优于BP神经网络识别效果,且BP神经网络参数设置较Elman网络敏感。     

基于小波变换和样本熵的假手肌电模式识别方法

提出一种新的模式分类器,利用安置在拇长屈肌、指深屈肌和指伸肌上的3个电极所测得的肌电信号,实现了对3自由度假手手指运动的控制．该分类器采用小波变换和样本熵的方法构造特征矢量．经过由变学习速率算法和RP算法构建的集成3层前馈神经网络的分类,能够成功地分辨出拇指、食指和中指的弯曲与伸展运动,平均识别率可达96％以上．实验结果表明,该分类器为多自由度肌电假手的控制提供了一种有效的方法．     

一种网络流量预测的小波神经网络模型

结合小波变换和人工神经网络的优势,建立一种网络流量预测的小波神经网络模型。首先对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,以系数序列和原来的流量时间序列分别作为模型的输入和输出,构造人工神经网络并且加以训练。用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果。     

深度残差网络结合长短期记忆的脑电波情感识别

针对传统情感识别方法中脑电信号特征提取与辨识困难的问题,本文提出一种基于深层残差网络和长短时记忆网络的情感识别方法。首先,将DEAP生理数据信号进行连续小波变换得到相应的时频谱图;然后对时频谱图进行灰度化和归一化,再将灰度图降维至适当大小;最后将压缩后的时频谱图作为深层残差网络的输入,将DRN学习到的顶层特征进行向量化,并输入长短时记忆网络网络实现情感识别。实验结果表明:提出的CWT-DRN-LSTM模型情感识别准确率达99.23%,标准差仅0.27,相比于其它组合模型在识别准确率方面具有较大优势。     

改进的小波神经网络在桥梁损伤中的预测研究

提出基于BP算法的小波神经网络改进算法。仿真结果表明它避免了BP 神经网络结构设计的盲目性和局部最优等非线性优化问题,简化了训练,具有较强的函数学习能力和推广能力。该算法成功应用于桥梁损伤预测,具有广泛的应用前景。     

Artificial wavelet neuro-fuzzy model based on parallel wavelet network and neural network

From the well-known advantages and valuable features of wavelets when used in neural network, two type of networks (i.e., SWNN and MWNN) have been proposed. These networks are single hidden layer network. Each neuron in the hidden layer is comprised of wavelet and sigmoidal activation functions. First model is derived from adding the outputs of wavelet and sigmoidal activation functions, while in the second model outputs of wavelet and sigmoidal activation function are multiplied together. Using these proposed networks in consequent part of the neuro-fuzzy model, which result summation wavelet neuro-fuzzy and multiplication wavelet neuro-fuzzy models, are also proposed. Different types of wavelet function are tested with proposed networks and fuzzy models on four different types of examples. Convergence of the learning process is also guaranteed by performing stability analysis using Lyapunov function.     

改进的HMM和小波神经网络的抗噪语音识别

通过MFFC计算出的语音特征系数,由于语音信号的动态性,帧之间有重叠,噪声的影响,使特征系数不能完全反映出语音的信息。提出一种隐马尔可夫模型（HMM）和小波神经网络（WNN）混合模型的抗噪语音识别方法。该方法对MFCC特征系数利用小波神经网络进行训练,得到新的MFCC特征系数。实验结果表明,在噪声环境下,该混合模型比单纯HMM具有更强的噪声鲁棒性,明显改善了语音识别系统的性能。     

Temporary short circuit detection in induction motor winding using combination of wavelet transform and neural network

Monitoring system for induction motor is widely developed to detect the incipient fault. Such system is desirable to detect the fault at the running condition to avoid the motor stop running suddenly. In this paper, a new method for detection system is proposed that emphasizes the fault occurrences as temporary short circuit in induction motor winding. The investigation of fault detection is focused on the transient phenomena during starting and ending points of temporary short circuit. The proposed system utilizes the wavelet transform for processing the motor current signal. Energy level of high frequency signal from wavelet transform is used as the input variable of neural network which works as detection system. Three types of neural networks are developed and evaluated including feed forward neural network (FFNN), Elman neural network (ELMNN) and radial basis functions neural network (RBFNN). The results show that ELMNN is the most simply and accurate system that can recognize all of unseen data test. Laboratory based experimental setup is performed to provide real-time measurement data for this research.     

基于小波和余弦变换的神经网络人脸识别法

提出了利用小波变换和余弦变换与 BP 神经网络相结合的人脸识别方法。将人脸图像归一化后进行小波变换,再用余弦变换对低频信号提取特征向量,达到降维和去除干扰的目的,并把特征向量送进 BP 神经网络训练。识别时,对人脸图像进行相同的变换后,送入神经网络进行辨别。实验结果表明,该算法优于传统的人脸识别法。