脉象信号滤波与特征值提取

脉象作为人体一项基本的生理特征,反映了个体整体性的生理情况,尤其是个体血管与心脏的健康状况。由于脉象诊断自古以来就存在不够定量客观的现实问题,为了客观定量地对脉象这种微弱信号加以分析,本文利用小波变换在时域与频域多级分辨率的特性,对脉象信息进行多小波分离出高频噪声信号以及基线漂移,在此基础上对信号去噪滤波。利用小波变换奇异点突变,提取脉象周期信息作为一类特征值。通过三次样条拟合出单周期脉象波形,提取出脉象搏动微分、积分曲线以及极值点的信息,阐述了它们与脉形特征对应关系,并作为脉形特征值。通过样条建模计算出的特征值为进一步的脉象识别提供了数据信息。     

基于递归图和卷积神经网络的脉象分析识别

在脉象信号分析识别中,时域、频域等分析方法难以挖掘脉象信号的非线性信息,且传统机器学习方法需要人工定义特征,无法进行特征的自学习。提出一种基于无阈值递归图和卷积神经网络的脉象分析识别方法。基于非线性动力学理论,将脉象信号转换为无阈值递归图,通过VGG-16卷积神经网络实现递归图非线性特征的自动提取,并建立脉象分类模型。实验结果表明,该方法分类准确率可达98.14%,与已有的脉象分类方法相比有所提升。该研究为脉象信号分类提供了一种新的思路和方法,对脉诊客观化具有一定的实用价值。     

基于小波包分析和BP神经网络的中医脉象识别方法

利用小波变换具有揭示信号时频两域细节和局部特征的能力,提出了将脉象信号的小波包分析和BP神经网络相结合以达到识别中医脉象的新方法。首先对脉象信号作三层小波包分解,利用小波包分解系数重构信号。然后计算第三层从低频至高频八个频带的信号能量,以此能量构造出脉象信号的特征向量送入改进的BP神经网络进行训练。大量样本的实验证实该方法具有识别正确率高、速度快的优点。     

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。     

脉象信号的频谱分析

根据人体脉象信号的特点,介绍了信号采集系统对脉象的采集,提供了脉象信号的一种频域分析方法--功率谱分析,应用快速傅里叶变换方法对脉搏信号进行分析,并通过读功率谱特征的分析和比较,最后,提出了利用径向型网络对4种脉象信号进行分类,以脉象信号的频谱特征作为神经网络输入时的训练结果的差异.尽管文中的训练样本有限,但仿真结果表明:对脉象信号的一些特定的特征值,利用神经网络进行识别是一种可行而有效的方法,在自适应、自学习能力方面较传统的模式识别方法具有明显的优越性.     

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。     

小波变换在脉象信号特征提取中的应用

论文首先介绍了人体脉象是非线性、非平稳的微弱信号这个特点,然后分析了传统人工脉诊的缺陷,在当今信号处理和计算机相关技术的飞速发展,提出了很多运用现代科学对脉象分类的方法。由于小波具有优良的时频分析特性,而且还具有处理非平稳随机信号的能力,论文提出利用小波提取脉象特征,得到了很好的识别效果。     

LMD端点延拓方法在脉象信号处理中的应用研究

针对EMD方法在脉象信号分析中存在的运算效率低以及端点效应严重等问题,首次将LMD时频分析方法运用于脉象信号的分析。同时对于仍然存在的端点污染,结合小波模极大值去噪方法提出了一种基于匹配度的脉象信号延拓方法。其中,小波模极大值去噪方法运用于信号的预处理过程,解决LMD方法中原本由于噪声引起的算法不收敛,信号两端发散等问题。通过仿真信号的验证及脉象信号的实际处理,结果表明LMD方法具有较好的分解效果,能更准确地反映脉象信号中的特征信息,且所提出的基于匹配度的脉象信号延拓方法可以明显改善LMD方法中存在的端点效应。     

基于混合智能计算的铣刀状态监测

提出了一种基于混合智能融合技术进行铣刀磨损量监测和预测方法。利用多传感器对切削力和振动信号进行监测,通过频率变换提取切削力特征量,采用小波包分解技术提取振动信号特征量。通过信号特征值的组合,分别探讨了几种混合智能数据融合技术-小波神经网络,遗传神经网络,遗传小波神经网络对刀具磨损量的预测效果。实验分析表明,提出的几种基于多传感器的混合智能数据融合技术均能够有效地完成刀具磨损量监测和预测,同时对它们各自的特点进行了比较分析。     

基于鲸鱼算法改进小波神经网络的GIS局部放电诊断方法研究

针对封闭式气体绝缘开关装置由于生产、运输安装和运行环境等因素,引发的局部放电现象而造成的绝缘故障问题,提出了一种基于改进鲸鱼算法与小波神经网络结合的封闭式气体绝缘开关装置局部放电诊断方法。该方法利用灰度图谱与矩特征实现对局部放电信号的特征提取,基于矩特征值构建小波神经网络的输入样本集;然后使用改进鲸鱼算法对小波神经网络参数进行寻优,以解决神经网络存在的参数敏感问题;最后将优化好且训练完成的小波神经网络应用于绝缘开关装置局部放电诊断中。改进鲸鱼算法引入非线性收敛因子与自适应思想提升了算法的性能,对小波神经网络的超参数有较好的寻优效果。仿真结果表明,相比于通用参数配置的小波神经网络,改进诊断方法诊断精度提升了9.45%。     

基于小波包能量熵的电能质量扰动识别

提出了一种基于小波包能量熵的电能质量扰动识别方法。该方法对仿真的扰动电压信号进行4层小波包分解,提取小波包能量熵特征向量,利用主分量分析法提取电压信号的小波包特征向量并输入到概率神经网络(PNN)进行扰动识别,实现了扰动样本的最优压缩,简化了扰动分类中神经网络分类器的结构,提高了神经网络扰动识别的速度和精度。仿真结果表明,该方法具有良好的扰动识别能力。     

基于多尺度相像系数的雷达干扰类型频域识别

提出了一种基于多尺度相像系数和最小二乘支持向量机的雷达干扰类型频域识别算法。在频域内,利用小波分解技术,提取干扰信号的能量分布与参考目标回波信号的能量分布在不同尺度下的逼近相像系数和细节相像系数,作为干扰信号的多尺度相像系数,并利用K-最近邻、BP神经网络和最小二乘支持向量机识别干扰信号的类型。实验结果表明,该算法可以有效地提取反映干扰信号能量分布的本质特征,针对不同类型的雷达干扰信号取得了较好的识别结果。     

基于小波变换和BP神经网络的人脸识别方法

提出了将人脸图像的小波分解系数和BP神经网络相结合以达到人脸识别的新方法。针对不同的小波基,对人脸图像作小波分解,并将分解低频系数作为人脸特征送入神经网络进行训练。实验表明,选择恰当的小波基能够达到较高的识别率。     

于小波包及小波神经网络的光纤熔接缺陷模式识别

介绍光纤熔接缺陷的识别在光纤通信中的重要意义。应用超声波探伤仪系统对光纤熔接点进行检测,针对缺陷信号特点提出利用小波包分析提取缺陷特征值和应用小波神经网络进行模式识别的方法,实现了从检测到的超声信号中提取出反映缺陷性质的相关信息,并通过这些信息对其进行分析,建立网络模型以实现缺陷定性识别。实验结果表明,小波包分析充分利用了缺陷回波信号的时域、频域信息,将频带进行多层次划分,对多分辨分析没有细分的高频部分进一步分解,并能够根据被分析信号的特征,自适应地选择相应频带,使之与信号频谱相匹配,从而提高了时-频分辨率,而小波神经网络良好的局部放大特性和多分辨率学习特性使缺陷的定性分类获得了较高的准确率。     

基于HMM与遗传神经网络的改进语音识别系统

为了解决语音信号中帧与帧之间的重叠,提高语音信号的自适应能力,本文提出基于隐马尔可夫(HMM)与遗传算法神经网络改进的语音识别系统.该改进方法主要利用小波神经网络对Mel频率倒谱系数(MFCC)进行训练,然后利用HMM对语音信号进行时序建模,计算出语音对HMM的输出概率的评分,结果作为遗传神经网络的输入,即得语音的分类识别信息.实验结果表明,改进的语音识别系统比单纯的HMM有更好的噪声鲁棒性,提高了语音识别系统的性能.     

基于脉冲耦合神经网络的异源图像融合方法

针对基于主成分分析与二代小波变换的图像融合算法中鲁棒性不高、融合图像质量较低的问题,提出了基于鲁棒性主成分分析与脉冲耦合神经网络的融合方法.所提出的算法将可见光与红外图像进行二代小波变换,转换为高频与低频信号,接着采用不同的融合策略针对低频和高频信号进行融合.针对低频信号,利用鲁棒性主成分分析法还原低秩矩阵并采用加权平均的融合策略进行融合;针对高频信号,将其送入至脉冲神耦合神经网络中进行融合得到融合后的小波系数.将融合后的小波系数进行逆变换,得到最终融合图像.实验结果表明,相比于基于主成分分析与二代小波变换的图像融合算法,利用所提出的出算法得到的融合图像中熵指标、空间频率指标、结构相似度指标和峰值信噪比指标均得到了不同程度的提升.因此,所提出的算法能够更好地提取目标信息,使融合图像中目标的轮廓边缘更加清晰,同时将提升小波分解出的高频信息利用PCNN进行融合,更加突出细节信息.     

基于小波系数聚类的特征提取分类方法

神经网络是一种普遍采用的模式分类方法,当对样本的抽样数目较大时,神经网络结构复杂,训练时间激增,分类性能下降,针对这一问题,提出一种基于快速小波变换特征提取的分类方法。着先对婆婆以系数矩阵的每行进行聚类,表达重要频率范围内小波系数矩阵的行有较多的聚类数,从而大大减少了神经网络的输入数,而同时保留了有用的信息。特征提取后,采用小波系数的能量值特征量,应用径向基函数网络识别肺发出的各种不同的声音,实验证明：该方法有较高的识别率。     

模拟神经网络VLSI脉冲流技术在故障诊断中的应用分析

介绍了模拟神经网络VLSI脉冲流技术实现神经网络模式识别硬件电路的方法，并且直接将故障分类。提出利用包含有故障信息的原始模拟噪声信号，经过前置信号处理和神经网络运算，得出VLSI电路输出端电容的电压值－代表待识别信号与模板故障信号的“欧氏距离”，以实现噪声故障信号的实时硬件在线识别。     

基于遗传小波神经网络的RFID调制识别

在射频识别的调制识别方法中,神经网络常用的反向传播算法普遍存在收敛速度慢、容易陷入局部极小点、网络参数的选取只能凭实验和经验确定等缺点。针对上述问题,提出一种基于遗传算法优化小波神经网络的识别分类器。该分类器可以充分发挥遗传算法的全局寻优能力、小波分析的非线性逼近能力和神经网络的自学习特性,仿真结果表明其可以优化系统的收敛速度和识别精度。