采用蝙蝠算法进化相关向量机的假肢步态识别

为了提高假肢穿戴者步态识别准确率,提出了一种高阶过零分析技术分析表面肌电信号的假肢步态识别方法。该方法针对假肢穿戴者步态识别过程中的多分类问题,选择表面肌电信号（surface electromyogram signal,简称sEMG）作为步态识别信息源,将表征时间序列特性的高阶过零分析（higher order zero crossing analysis,简称HOC）方法运用于不同步态下的肌电信号的特征提取,结合相关向量机（relevance vector machine,简称RVM）建立了多分类步态识别模型,然后采用蝙蝠算法（bat algorithm,简称BA）对RVM分类器的核函数参数进行优化。实验结果表明,所提方法与粒子群算法优化相关向量机（particle swarm optimization-relevance vector machines,简称PSO-RVM）及RVM等方法相比,对于平地行走、上楼、下楼、上坡和下坡5种步态的识别准确率均高于PSO-RVM和RVM等方法。     

基于极限学习机及多姿态信息融合的步态识别

为了解决步态识别系统复杂度较高且设备较为昂贵的问题，本文设计了一种步态识别系统。通过采集安装在大腿、小腿和脚板的三个姿态传感器数据，利用时域与频域结合的多域特征方法和近邻成分分析（NCA）算法对姿态数据进行特征提取和降维，得到姿态数据的低维特征向量，使用极限学习机对低维特征向量进行分类，实现了三种步态的准确识别。实验结果表明，三种步态的识别率均达95%以上。     

采用组合特征法的极限学习机多手势精准识别

为了提高手部动作的识别率与响应速度。提出综合特征选择与排列组合的组合特征法并与极限学习计算法（ELM）相结合的多手势模式精准识别方法。首先，运用肌电传感器采集八种手势动作；进而运用去噪技术与起止点检测技术对肌电信号进行预处理；其次，分别提取肌电信号时域、频域、时频域、4阶AR系数和非线性特征，将组合特征法与皮尔森相关系数法和主成分析法（PCA）选优的特征集进行对比；最后，用所选特征集与最优滑动窗相结合，运用极限学习机、神经网络（BP）和支持向量机（SVM）算法进行手势分类。实验结果表明，结合组合特征法与最优滑动窗口设计的ELM算法模型最优，平均识别率高达97.1%，结果超BP算法17.02%，且具有最短的训练与测试时间，有效证明所提方法的精准性和实时性。     

基于多源信息融合的膝上假肢步态识别方法

为了实现膝上假肢的有效控制,提出基于多源信息融合的步态识别方法。首先通过搭建人体下肢多源运动信息系统获取下肢表面肌电信号、腿部角度信号和足底压力信号。针对获取的信息,采用基于小波变换的空域相关滤波对肌电信号进行消噪并提取信号特征;选择大小腿、膝关节角度作为腿部角度信号特征;将足底压力信号通过阈值法提取有效特征。在特征提取基础上,分别利用BP神经网络和有限状态机对下肢运动信息进行步态识别,并将识别结果进行融合。实验验证了该方法在平地行走、上下楼梯模式下步态识别准确率均达到95%以上。     

基于DFC的肌电控制假肢手实时控制算法

介绍了一种新型的连续控制算法在肌电控制假肢手上的应用.控制系统搭载了一块TMS320F2812DSP作为主控芯片,系统通过采集人体表面肌电信号来控制假肢手完成相应的动作.重点介绍硬件系统的设计及控制算法在该平台上的实现情况.在特征提取过程中应用了离散傅里叶变换和离散余弦变换(DFC).Fisher投影算法(FLD)用于...     

改进的布谷鸟算法优化极限学习机的石化轴承故障分类

针对通用的智能故障诊断方法在石化滚动轴承中准确率不理想的问题,提出一种通过改进的布谷鸟算法( CS )优化极限学习机( ELM )使诊断准确率提高的模型。将实测轴承振动信号降噪处理,计算不同嵌入维度下的关联维数作为 ELM 的输入信号;通过改进的布谷鸟算法获取极限学习机最优的隐含层偏置、输入权重,最后输出诊断结果。经过实验证明,该方法可以有效地克服测量信号时的干扰,可以对不同故障下的滚动轴承准确识别,并与多种模型对比,该方法的故障诊断准确率为 97.5% 。     

基于模糊小波极限学习机的刀具磨损状态识别

刀具磨损作为机械加工过程中的常见现象,直接导致了切削力增加、工件表面粗糙度恶化以及尺寸超差等不良后果,极大地影响加工效率.采集加工过程中切削力、振动及声发射信号,利用线性回归法对信号进行特征提取及降维;采用不同刀具的磨损数据训练模糊小波极限学习机(FWELM),降低加工过程的不确定性对识别模型的影响,并解决加工系统的信息模糊造成的建模困难问题,提升刀具磨损识别模型的泛化能力.利用标准刀具磨损数据集测试结果证明,基于FWELM构建的刀具磨损状态识别模型识别的每个刀具磨损阶段的准确率及总体识别准确率皆高于极限学习机构建的识别模型.     

改进蝴蝶算法优化核极限学习机的柴油机故障诊断

为提高柴油机故障诊断的精度和效率,提出一种基于改进蝴蝶算法(IBOA)优化核极限学习机(KELM)的柴油机故障诊断方法。考虑到KELM的诊断精度受参数影响较大的实际,在研究蝴蝶算法(BOA)的基础上,提出IBOA算法对参数进行优化选择,以提高KELM的故障诊断性能。柴油机故障诊断实例表明,所提方法在提高柴油机故障诊断精度的同时,减少了耗时,比其它几种方法的效果更好,具有一定的优势。     

基于小波包和极限学习机的汽车发动机失火故障识别

针对缸盖振动信号的非平稳特性,提出了基于小波包相关系数和极限学习机的汽车发动机失火故障诊断系统.首先,对原始信号进行小波包分解,然后计算得到每个样本的能量熵和每个样本各子频带重构信号与原始信号的相关性系数.分别利用相关系数法和能量熵融合峭度的方法建立特征向量,随后输入到BP神经网络和极限学习机中进行训练和测试.实验结果表明,该方法可以有效地反映故障产生的差异并准确地识别单缸失火故障,具有精度高、训练时间短的优点.     

近红外光谱结合极限学习机识别贮藏期的损伤猕猴桃

为了及时、准确地识别采摘后贮藏期间的损伤猕猴桃,降低果实腐烂及交叉感染带来的损失,采用近红外漫反射光谱技术结合极限学习机(ELM)建立了采摘后2℃冷藏下10天内的碰撞损伤猕猴桃、挤压损伤猕猴桃与无损猕猴桃的动态判别模型.分别比较了无信息变量消除法(UVE)与连续投影算法(SPA)结合UVE优选特征波数建模对简化模型、提高预测性能的影响.结果表明,碰撞损伤猕猴桃比挤压损伤猕猴桃更容易同无损猕猴桃区分开来,且随着贮藏时间的延长,损伤猕猴桃更容易被识别;UVE-SPA-ELM模型的判别效果最好,在采后贮藏10天内预测集中损伤猕猴桃和无损猕猴桃的总正确识别率为92.4％.该检测技术具有较高的检测精度和适用性,可用于快速、无损鉴别损伤猕猴桃.     

基于ICPSO优化的极限学习机在故障诊断中的应用

极限学习机(extreme learning machine,ELM)的分类性能受随机产生的输入权值和隐层阈值的影响,为此,提出一种改进的混沌粒子群算法(ICPSO),用以优化输入权值和阈值,得到基于ICPSO优化的ELM故障诊断模型。仿真和实验结果表明,ICPSO算法改善了ELM网络的学习效率和诊断精度,可有效应用于故障诊断。     

基于耦合算法的类人机器人模仿学习控制方法

为提高类人机器人模仿学习的准确性及效率,建立了一种改进的粒子群算法优化超限学习机的模仿学习模型。采用非线性动态系统对示教时的相关数据进行建模;以动态自适应策略改进粒子群算法的惯性权重,并利用改进后的粒子群算法对超限学习机的网络参数进行寻优;利用该耦合学习模型对模仿学习动态系统的参数进行学习,并重现了模仿学习动作。实验结果表明,该耦合算法应用在类人机器人模仿学习方面具有很好的拟合精度、自适应性及泛化能力,重现模仿学习动作时的平均误差为0.0172。     

基于鱼群BP神经网络的板料成形分块压边力优化

采用人工鱼群算法与BP神经网络相结合的方法建立了分块压边力与成形质量的映射关系。首先以分块压边力为设计变量,通过基于最大最小原则的拉丁超立方取样设计方法抽取了BP神经网络的训练样本,并将通过仿真软件获得的成形质量指标作为BP神经网络的训练输出;其次通过人工鱼群算法优化的BP神经网络建立了分块压边力与成形质量的映射关系;然后采用粒子群算法对该映射函数关系式进行优化,得到最优分块压边力;最后将该最优分块压边力成形效果与整体压边力成形效果进行对比,结果表明成形效果大大改善。研究表明,采用该方法可以快速计算最优分块压边力,克服了分块压边力计算困难的缺点。     

基于改进人工鱼群算法的柔性作业车间调度

提出了一种基于改进人工鱼群算法的柔性作业车间调度问题的求解方法。该方法针对基本人工鱼群算法后期搜索盲目性大、精度不高的不足,在分析算法各个参数影响的基础上,提出了步长参数分解和采用柔性参数设置等改进策略,并在算法后期融入局部遍历搜索,提高了算法寻优能力和寻优精度。标准MK算例和对比试验表明了改进人工鱼群算法对求解柔性作业车间调度问题的有效性。     

基于PCA和多变量极限学习机的轴承剩余寿命预测

提出了一种基于主成分分析(PCA)和多变量极限学习机(MELM)的轴承剩余寿命预测方法。该方法首先利用PCA技术融合多个表征轴承运行状态与衰退趋势的时域频域特征指标来消除特征间的冗余性和相关性;进一步在单变量极限学习机(ELM)的基础上构建多变量极限学习机模型来预测轴承剩余寿命。该方法克服了传统单变量极限学习机结构简单、信息匮乏等缺点,能有效提高轴承剩余寿命的预测精度。运用全寿命轴承振动数据对模型进行验证,结果表明,相比单独应用ELM模型或MELM模型,基于PCA和MELM剩余寿命预测方法具有更高的预测精度和稳定性。     

基于IVMD与改进KELM的发动机故障诊断

为从含有较强噪声的缸盖振动信号中提取有效的故障特征并进行故障分类,提出了采用独立变分模态分解(independent variational mode decomposition,简称IVMD)与改进核极限学习机(improved kernel extreme learning machine,简称IKELM)的发动机故障诊断方法。首先,根据频谱循环相干系数选取匹配波形对信号进行端点延拓,并利用变分模态分解(variational mode decomposition,简称VMD)将延拓后信号分解为一系列固有模态分量,有效抑制了VMD中的端点效应;其次,选取有效分量作为输入观测信号,进行核独立成分分析,进一步分离干扰噪声与有效信号,并消除模态混叠,得到相互独立的有效故障特征频带,进而提取各频带的自回归模型参数、多尺度模糊熵和标准化能量矩构建故障特征向量集;最后,建立基于社会情感优化算法的IKELM分类模型,对故障特征进行分类,实现发动机故障诊断。仿真和实验结果表明,所提出的方法可有效抑制VMD的端点效应,提高信号分解精度,消除噪声干扰并分离出相互独立的有效故障特征频带,增强特征参数辨识度,最终提高发动机故障诊断速度与精度,发动机故障诊断平均准确率达到99.85%。     

基于RSGWPT-LCD的轴承信号故障特征提取及模式识别

为了有效提取滚动轴承振动信号的故障特征和提高分类识别精度,提出了一种基于冗余二代小波包变换-局部特征尺度分解(redundant second generation wavelet packet transform-local characteristic scale decomposition,简称RSGWPT-LCD)和极限学习机(extreme learning machine,简称ELM)相结合的故障特征提取和分类识别方法。首先,利用希尔伯特变换对原始振动信号进行处理,得到包络信号;其次,基于双层筛选机制,结合冗余二代小波包变换(redundant second generation wavelet packet transform,简称RSGWPT)和局部特征尺度分解(local characteristic-scale decomposition,简称LCD)方法对包络信号进行分解,筛选出包含主要信息的内禀尺度分量(intrinsic scale components,简称ISCs);然后,对提取的各ISCs分量构建初始特征矩阵并进行奇异值分解(singular value decomposition,简称SVD),将得到的奇异值作为表征各损伤信号的特征向量;最后,以提取的特征向量为输入样本,建立ELM模式分类器对滚动轴承损伤信号进行识别。信号仿真和实测数据表明,该方法可有效提取振动信号故障特征,提高分类识别精度,实现滚动轴承故障诊断。     

支持向量机增量学习的算法与应用

提出一种新的支持向量机的增量学习算法,分析了新样本加入训练集后支持向量集的变化情况.基于分析结论提出一种新的学习算法.研究了基于支持向量机的山羊绒和细支绵羊毛动物纤维图像识别问题,根据山羊绒和细支绵羊毛动物纤维图像的特点,分别采用自动阈值分割和Top-Hat变换,得到纤维边缘和鳞片边缘.仿真结果表明,基于支持向量机的动物纤维图像识别率高于传统的基于人工神经网络的识别率.     

基于改进粒子群算法的机械结构优化设计

针对粒子群算法在寻优过程中存在的容易陷入局部极小、收敛速度慢等缺点,结合粒子在实际寻找食物的过程中,大部分可以飞到其预期的最佳位置,而少数粒子由于受不确定因素影响,发生飞行偏离,本文提出了一种改进粒子群算法。算法中的模拟不确定因素干扰操作,能够有效避免群体过度集中现象,有效增加了种群的多样性。典型复杂机械优化设计的仿真结果表明,该改进算法能够快速、有效地进行全局搜索。