基于小波包与支持向量机的复杂信号模式识别

为很好地识别神经和肌肉的功能状态,针对表面肌电信号的非平稳特性,提出了采用小波包变换的方法对原始肌电信号进行分解,并提取其频段系数的最大奇异值构建特征矢量.利用"一对一"的分类策略和二又树构建多类支持向量机分类器,经训练后可以有效地对前臂8种动作的表面肌电信号进行识别,8种动作的平均识别率达到99.375%.实验结果表明,支持向量机分类器的识别率明显优于传统的BP神经网络、Elman神经网络和RBF神经网络分类器,且鲁棒性好,并具有良好的泛化推广能力.     

基于小波理论的sEMG的处理方法

文章选取时域分析法对表面肌电信号的提取其特征值,意在于能够得到能较好地表征肌电信号的特征向量,使得之后的分类器能够有效地对表面肌电信号进行分类识别。在对信号进行识别分类识别时,所设计的小波神经网络可以将各动作信号特征值转化为线性组合,简化动作的分类识别过程。     

基于小波包的表面肌电信号特征表示与识别

为提高智能轮椅人机接口中表面肌电信号的正确识别率和识别效率,主要研究了基于小波包多尺度分解的特征表示及识别。把采集的表面肌电信号在指定尺度及核函数的同一组正交小波包基下进行分解,用小波包多尺度分解的系数构造表面肌电信号的特征基向量。考虑到多通道表面肌电信号可能存在特征信息冗余,为消除这些冗余信息,对多通道表面肌电信号的特征空间通过正交规范化进行重构,并且用重构特征向量的对偶坐标向量作为表面肌电信号的最终特征表示。用非线性自回归神经网络实现了双通道表面肌电信号四种不同动作模式的分类。实验结果表明,小波包多尺度分解系数的重构对偶坐标向量不仅可作为表面肌电信号的特征表示,并能有效简化分类器的结构。     

基于小波变换的多特征融合sEMG模式识别

针对单一特征值表征能力差的情况,根据小波变换的多分辨分析思想,采用基于多种母小波的多特征融合的特征提取方法对表面肌电信号进行特征提取。本实验对十名测试人员进行肌电信号的采集,对日常生活中的四个基本下肢动作进行测试。首先,分别基于DB、Dmey和Bior三种不同的母小波,采用离散小波变换通过不同的分析方法对表面肌电信号进行多尺度分解。然后,通过分析发现,不同肌肉在不同特征提取方式下表征效果存在差异,为了结合不同特征方式的特点对基于不同小波基的特征值进行融合分析并比较。最后,将特征值分别输入到Elman神经网络和BP神经网络进行模式识别并比较分析。实验结果表明：通过对不同特征值进行识别比较,融合处理的特征值可以达到98.7%的识别率,并且,BP神经网络相较于Elman神经网络识别效果更好。     

基于sEMG的特征包络线提取与动作识别研究

针对表面肌电信号模式识别在康复器械以及智能假肢中的应用问题,通过平方调解法来提取多通道sEMG特征包络线,以提高手指动作识别速率与正确率;首先将手指动作采集实验获取的表面肌电信号进行平方处理,再经低通滤波形成包络线;利用幅值乘方法对不同的动作类型的包络线进行处理并形成学习用的教师样本标签,最后通过BP神经网络完成动作的识别分类;实验结果显示,屈拇指、屈食指、屈中指、屈无名指、屈小指和屈五指这6种动作的平均识别正确率为94.93%,每次动作识别的平均延时为50.7 ms。     

基于小波包—反向传播神经网络的局部放电信号模式识别方法

为了检验基于小波包-反向传播神经网络的局部放电信号模式识别方法的有效性,设计了 4种典型的绝缘缺陷模型,并采用局部放电传感器测量了局部放电信号.采用小波包分解提取了局部放电信号在多尺度上的小波包系数,将计算得到的多尺度小波包系数的能量参数作为特征参数,结合反向传播神经网络对不同类型的放电进行模式识别.研究结果表明,基于...     

基于小波包变换的肌电信号特征提取

本文提出一种新的基于小波包变换的特征提取方法,提取表面肌电信号进行小波包变换后得到的信号的协方差矩阵的特征值的最大值作为特征值。利用该方法对表面肌电信号提取特征值构建特征矢量,送入Elman神经网络对手部6种动作模式进行识别,在Matlab平台上进行实验仿真。实验结果表明,该方法取得了很好的识别效果。     

基于三层小波包分解的陀螺仪故障诊断

通过三层小波包分解将陀螺仪的输出信号进行分解,对分解得到的八个不同频段上的节点进行特征提取,提取后的8维特征向量作为神经网络的输入.对RBF神经网络进行训练,训练后的神经网络进行故障诊断.对神经网络进行测试,经测试当系统输入向量存在故障时,系统可以准确的诊断出故障类型.     

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。     

基于小波包最佳基包解的特征表示

特征提取是信号识别与分类中的重要一环，对提高系统的准确、改善系统性能起着关键的作用。利用小波包变换对信号进行特征提取是近年来发展起来的一种新的特征表示手段，在许多领域中已获得了成功的应用。论文首先回顾了采用小波包变换对信号进行分解的过程，并在此基础上研究了基于小波包变换的特征表示与提取方法。     

基于小波包分解的虹膜识别算法

特征提取是虹膜识别的关键技术;由于虹膜图像具有丰富的纹理,提出了基于小波包分解的虹膜识别算法。小波包分解不仅包含了图像的低频部分而且还保留了高频部分,它能够有效地提取虹膜纹理特征,并按hamming距离对虹膜进行匹配。实验结果表明,该算法具有良好的鲁棒性。     

基于小波分解和优选的VLBP特征的表情识别方法*

提出一种基于小波分解和优选的VLBP特征的表情识别方法。该方法首先通过小波分解将原始图像分为几个不同频率的子图像来增强图像信息,然后用VLBP算子对不同频率的子图像运用不同的分块大小提取特征,采用神经网络贡献分析对特征进行选择,最后用SVM分类器进行识别。实验表明,该方法比单纯从原图像中提取VLBP特征更加有效,识别率更高,并且VLBP特征的提取速度快,可用于实时的人脸表情识别。     

Image universal steganalysis based on best wavelet packet decomposition

Based on the best wavelet packet decomposition of images, a new universal steganalysis method with high detection correct ratio is proposed. First, the best wavelet packet decomposition of image based on the Shannon entropy information cost function is made. Second, high order absolute characteristic function moments of histogram extracted from the coefficient subbands obtained by best wavelet packet decomposition are regarded as features. Finally, these features are processed and a back-propagation (BP) ne...     

基于小波包分解和遗传神经网络的癫痫识别

基于小波包分解和遗传神经网络对正常脑电和癫痫脑电进行识别。通过分析脑电数据找出信号特征;利用一维离散小波包分解提取含有识别特征的脑电信号频率段,并以脑电各频段的相对能量作为信号特征;然后建立基于遗传算法优化的BP网络,用于对癫痫脑电识别。实验结果表明,该方法可以有效提取信号特征,并且对信号进行准确的识别。     

基于肌电信号的手部动作模式识别新思路

为了更好地识别手部动作,提出了一种新思路,将单个手指的状态作为识别目标集。采集常用手部联合动作的6路表面肌电信号,以单个手指的状态为基准将动作合理规划,提取各通道样本均值构造特征向量,设计3个并行BP神经网络,从联合动作样本中学习单个手指的状态,使得分类基数小,从而降低分类的复杂度,克服了传统多分类方法中需要采集动作多的缺点。实验结果表明,采集12种手部动作的肌电信号,将手部动作合理简化为手指动作后,利用手指的状态来训练神经网络,就能够识别出手指的3个状态的所有组合动作,即所有常用的18种手部联合动作。     

基于Arnold置乱和小波包分解的自适应水印算法

针对小波变换的不足,根据原始图像各子块对水印信息的适应程度不同,提出一种基于Arnold置乱和小波包分解的自适应水印算法。首先,该算法采用Arnold变换对水印图像进行预处理,然后对原始图像进行小波包分解,小波包分解能够提供一种更为精细的分解方法,将频带进行了多层次的划分,最后将水印图像嵌入到小波包分解后的子带中,水印的嵌入强度和嵌入位置均根据原始图像的内容自适应地决定,这样很好地解决了水印鲁棒性和不可见性之间的矛盾。仿真实验结果表明,算法对常见的图像攻击具有较强的鲁棒性和稳健性。     

基于小波包变换和支持向量机的虹膜识别方法

提出了一种基于小波包变换和支持向量机的虹膜识别方法.用小波包变换对归一化的虹膜图像进行2层分解,并计算出每个子频带的能量;通过选择具有最大能量值的特征作为小波基特征,以减少进入支持向量机的样本数目和提高识别准确率;最后,用支持向量机对虹膜特征进行模式匹配.实验结果表明,该方法取得了较好的识别效果.     

小波包熵在水下目标识别中的应用研究

研究了基于小波包变换和Fisher线性分类器的水下目标识别方法。小波包是在小波变换的基础上发展起来的时频分析方法,能够对非平稳信号提供更丰富的时频信息。通过对水下目标辐射噪声信号进行小波包分解,提取小波包分解的终端节点的熵值作为特征矢量,应用Fisher线性分类器设计的分段线性分类器对水下目标进行分类识别。仿真结果表明,以小波包熵作为特征矢量的分类方法具有较高的识别正确率。