基于肌音信号图像化和卷积神经网络的手语识别研究

时间序列信号被广泛应用于各种模式识别的场合,针对大量目标的时间序列信号模式识别率低的问题,借助多种图像化手段,将时间序列信号转换为图像,采用图像分类算法实现模式识别.实验中采集了前臂上30种手语对应的肌音信号(Mechanomyography,MMG),将其转换为不同风格的图像,设计卷积神经网络(Convolution Neural Network,CNN)框架,对图像化的肌音信号训练集建立模式识别的分类模型,并且应用迁移学习(transfer learning)算法对模型进行多次优化,建立的分类模型识别率达98.7％,高于普通机器学习算法的识别率.实验结果证明了图像化处理时间序列信号可以有效提高多分类肌音信号模式识别的识别率,该研究可以为其他时间序列信号的模式识别研究提供参考.     

肌音信号模式识别在嵌入式实时手语翻译系统中的应用

基于肌音信号（Mechanomyogram, MMG）的模式识别是指采集MMG信号,应用机器学习算法进行动作识别的过程。为了实现手语实时分类,本文采用基于STM32芯片的轻量级嵌入式设备,控制双轴加速度传感器采集了前臂3块肌肉的6通道MMG,应用反向传播神经网络（Back propagation neural network, BPNN）算法建立分类模型,并将模型参数导入嵌入式系统中,实现算法的移植。实验结果表明该嵌入式系统可实现30种手语的实时识别,模型自测识别率达99.6%,实时识别中可达97.5%,每个动作分类所需时间少于0.52 ms,满足实时性要求,具有较高的实际应用价值。本文的研究结果可应用于人体康复工程,哑语翻译器,义肢控制等领域。     

复杂性测度在肌电信号模式识别中的应用

针对表面肌电信号(SEMG)的非平稳特性,提出了一种以复杂性测度和支持向量机(SVM)相结合的肌电信号模式识别新方法。肌电信号的复杂度作为一种新的肌电信号特征,算法简单。支持向量机是一种新的机器学习机制。通过对采集的四通道表面肌电信号进行分析,提取其复杂性测度信息构建特征矢量,利用“一对一”分类策略和二叉树构建的多类支持向量机分类器,很好地实现了对前臂的八种动作表面肌电信号的模式分类。实验表明,由支持向量机对肌电信号的复杂度特征进行分类,具有很好的稳定性和准确率,为肌电信号及其它非平稳生理电信号的模式分类提供了一种新思路。     

基于支持向量机的模糊特征分类算法研究

为解决设备使用预测的问题,给出支持向量机(SVM)的改进算法及基于距离的模式识别算法。使用训练数据得到SVM的最优分类超平面,运用确认数据的特征集作为分类标准预测分类结果,将分类结果与概率相结合作为模式识别算法的输入,算法输出为某个固定模式。实验结果表明,与传统算法相比,以改进的SVM分类结果为输入的模式识别算法准确性更高,可广泛应用在二值输入的模式识别算法中。     

基于表面肌电信号形态特征的多模式识别研究

为提高肢体运动模式识别率,基于肌电信号的产生机理提出了选用信号的形态特征实现肌电信号模式识别的新方案。方案以分形理论中关联维及分维数的概念分别表征肌电信号的复杂度及自相似性,其中关联维的计算采用了一种改进的G-P算法、即G-P关联维逼近法;在手部动作模式识别中,以关联维和分维数作为表面肌电信号的特征向量,分类器采用由对支持向量机构造的二叉树结构多类分类器。针对手部张开、合拢及腕伸、腕屈4种运动模式的识别实验,该方法的正确识别率达到了91.0%,已具备一定的实用性。     

改进的P SO-SVM在表面肌电信号模式识别中的研究

为了提高表面肌电信号的遥操作机械手运动模式识别率,设优化支持向量机(IPSO-SVM).该方法首先简化PSO的位置和速度公式,然后提出ESE状态估计策略判断算法的"早熟"收敛,最后对6类手臂运动模式(握拳、展拳、内旋、外旋、屈腕、伸腕)进行分类并与另外4个测试算法的分类结果进行比较.实验结果表明:IPSO-SVM算法的平均准确率为93.75%,而传统SVM算法的平均准确率为70.21%;算法的训练时间和泛化时间都有明显的提高;具有较强的鲁棒性和抗干扰能力.因此IPSO-SVM算法可以很好的解决表面肌电信号的动作模式分类问题,具有很好的应用价值.     

基于模糊熵特征选择算法的SVM在漏洞分类中的研究

漏洞的分类能够有效提高漏洞分析和修复的效率,其分类的方式是按照漏洞的特征进行,将漏洞特征的提取转换为漏洞文本特征的提取.针对漏洞的描述性文本较短,特征选择模糊等缺点,提出了一种基于模糊熵特征选择算法的SVM的漏洞分类方法对漏洞分类进行研究.该方法结合模糊熵理论和支持向量机分类方法的优点,设计类间类内隶属度函数来体现特征项的分布情况,并结合模糊熵的计算作为漏洞特征提取的依据,通过SVM进行分类学习,对漏洞进行分类.仿真实验表明,基于模糊熵特征选择算法的SVM的漏洞分类方法实际可行,且分类准确率高于基于KNN和最大熵模型的分类方法,具有一定的研究意义.     

数据挖掘分类算法在信号分类中的应用

信号是消息的载体,现代社会的信号种类繁多,分类复杂,对信号分类结果的要求也越来越高,用传统的方法对信号进行分类已经不再适用。数据挖掘(Data mining)是从大量数据中挖掘有趣模式和知识的过程,适合对大量的信号进行分类,为人们的工作提供便利。本文简述了数据挖掘分类算法在雷达信号、心电信号、音频信号和通信信号四种信号分类识别中的应用,介绍了信号分类的过程及其优缺点,找出信号分类识别的发展方向,为未来信号的分类识别研究奠定基础。     

基于时域特征的光纤安防系统信号识别算法

在分布式光纤周界安防系统中,为实时有效分辨出系统所受的入侵事件和干扰事件,提出了一种基于时域特征的振动信号模式识别算法.对原始振动信号进行降噪处理,然后提取降噪后信号的短时能量和短时过阈值率两类特征值,将提取的特征值作为特征向量输入到支持向量机(SVM)中进行训练和测试,建立分类模型,将分类模型应用于安防系统,实时识别出入侵和干扰事件.实验结果可知:模式识别算法的分类效率高,误差小,具有有效性和可行性.     

GA-SVM算法在文本分类中的应用研究

文本特征维数通常高达几万且特征之间存在大量冗余和不相关信息,从而导致传统的分类方法效率低、分类准确率低.为了提高文本分类的快速性和准确性,提出了一种遗传算法(GA)和支持向量机(SVM)相结合的文本分类方法.把文本特征组合看作遗传算法中一个染色体,并进行二进制编码,将支持向量机分类准确率作为遗传算法的适应度函数,对每一...     

基于遗传算法和支持向量机的肿瘤分子分类

提出了一种基于遗传算法(GA)和支持向量机(SVM)的用于肿瘤分子分类和特征基因选择的新方法。该方法针对基因表达数据样本少维数高的特点,先根据基因的散乱度滤掉大量分类无关基因,而后使用相关性分析去除分类冗余基因,得到一个候选基因子集,用遗传算法搜索候选特征基因空间,发现在支持向量机分类器上具有好的分类性能的且含基因个数较少的特征子集。把这种GA/SVM方法应用到结肠癌和急性白血病基因表达谱,能选出多个取得较高分类精度的较小基因子集,实验结果表明了该方法的有效性。     

基于ACO-FS-SVM特征选择加权的网络入侵分类方法

特征选择和分类器设计是网络入侵分类的关键,为了提高网络入侵分类率,针对特征选择问题,提出一种蚁群算法优化SVM选择和加权特征的网络入侵分类方法.首先利用支持向量机的分类精度和特征子集维数加权构造了综合适应度指标,然后利用蚁群算法的全局寻优和多次优解搜索能力实现特征子集搜索;然后选择网络数据的关键特征,计算信息增益获得各个特征权重,并根据特征权重构建加权支持向量机的网络入侵分类器;最后设计了局部细化搜索方式,使得特征选择结果不含冗余特征的同时提高了算法的收敛性,并通过KDD1999数据集验证了算法有效性.结果表明,ACO-SVM有效降低了特征维数,提高了网络入侵检测正确率和检测速度.     

采用精选Gabor小波和SVM分类的物体识别

提出了一种基于Gabor小波和支持向量机的物体识别通用框架. 在该框架中, 特征抽取采用选取的Gabor小波在物体的最佳位置卷积实现, 而分类则通过支持向量机实现. 相比传统的基于Gabor特征的识别系统, 该方法能够同时达到准确而快速的分类目的. 本论文成功地将该框架应用于两个实际的物体识别例子: 物体/非物体分类和人脸识别. 实验结果证明了所提出的方法相对于其它方法的优越性.     

采用PCA/ICA特征和SVM分类的人脸识别

人脸识别过程中，首先在主成分分析基础上进一步做独立成分分析，来提取更加有利于分类的面部特征的主要独立成分；然后采用一种分阶段淘汰的支持向量机分类机制进行识别．该方法扩展了支持向量机处理多类问题的能力，它基于1-1差别策略，根据各判别函数VC置信范围的差异进行排序，同时利用判别函数间的冗余来降低识别误差．对两组人脸图像库的测试结果表明，文中方法在识别率和识别时间等方面都取得了较好的效果。     

基于支持向量机和纹理特征的人脸识别

提出了一种基于支持向量机和纹理特征的识别方法及框架模型。即在研究支持向量机理论的基础上,采用支持向量机的分类算法实现人脸识别系统的训练和测试,并将图像的纹理特征技术应用于人脸识别的预处理中。实验表明支持向量机和纹理特征相结合可以获得较好的识别率。     

基于脑电信号的情绪特征提取与分类

情绪作为人脑的高级功能,对人们的个性特征和心理健康有很大的影响,利用网上公开的脑电情绪数据库(Deap数据库),根据心理较价和激励唤醒度等级进行情绪划分,对压力和平静两种情绪进行研究分析。在利用db4小波分解与重构算法分解信号的基础上,根据左右脑脑电在产生情绪时脑电信号非对称性的特点,提出一种新的情感特征提取方法,通过计算右侧导联的微分熵值除以左、右对称导联的微分熵之差与右侧导联的微分熵值除以左、右对称导联的微分熵之和,提取出脑电信号的不对称熵特征。利用遗传算法优化的支持向量机对情绪分类识别,平均识别率为88.625%,对比传统特征的分类识别率,利用不对称熵特征的分类识别率有明显提高。     

基于SVM的图像纹理特征分类研究

支持向量机（SVM）是一种表现卓越的分类方法,而灰度共生矩阵（GLCM）则是一种很好的纹理分析方法,故而本文提出了一种使用灰度共生矩阵进行特征提取的应用支持向量机的纹理特征分类法。实验结果表明,与直接应用灰度信息进行分类的支持向量机算法相比,本文方法可以取得更为准确的分类结果。     

基于支持向量机的数字调制信号识别

针对神经网络分类器容易陷入局部最小值和不适用于小样本的缺点,提出一种应用零中心瞬时特征提取法提取分类特征,采用支持向量机分类器进行数字调制信号识别的方法。与传统的神经网络方法相比,该方法具有更好的泛化推广能力。实验仿真结果表明,该调制识别方法在小样本下具有较高的识别率。     

基于支持向量的单类分类方法综述

研究基于支持向量机理论和单类分类思想的2种支持向量域数据描述模型,即单分类支持向量机和支持向量描述模型,分析2类模型之间的区别和联系以及参数的优化设置,总结支持向量域单分类方法存在的缺点以及目前对这2类支持向量描述模型研究的改进方向。     

基于SVM与遗传算法的非线性模式识别

设计了一种支持向量机的模型结构,以遗传算法进行该模型参数的组合优化建模,并将其用于非线性模式识别,该方法不仅对线性问题有效,对非线性问题同样适用有效;该法简洁易行,优于多段线性分类器设计方法与BP误差回传网络算法,通过实例验证其识别效率达100％。