基于免疫堆叠降噪自编码机网络的运动想象脑电信号识别

针对运动想象(MI)脑电信号识别精度低的实际问题,提出一种结合免疫优化算法和决策机制的堆叠降噪自编码机网络(ISDAE).ISDAE模型通过多层DAE对MI脑电信号分层提取最优特征向量,再通过最后一层神经网络(NN)对所得特征向量进行识别;同时,添加决策机制,并结合免疫优化算法对模型进行参数寻优,最终得到识别准确率更高的ISDAE脑电信号识别模型.实验结果表明,所提出的ISDAE模型对粗糙的脑电数据具有强大的特征学习能力和较高的MI脑电信号识别率,可为MI脑电信号的识别提供一种有效的方法.     

ELM优化的深度自编码分类算法

针对自编码神经网络训练时间长的问题,提出了一种改进的深度自编码神经网络算法。首先利用极限学习机(extreme learning machine,ELM)作为自编码块,构建多层自编码神经网络,以提高分类准确率。采用ELM能避免大量的迭代过程,减少网络训练时间。其次为实现分类,在各输出层中加入标签节点,对实际输出与各样本的期望标签进行比对,使原始的自编码无监督学习转化为监督学习过程,从而在深度学习的过程中实现分类训练。为验证该方法的有效性,在多个UCI数据集中进行广泛的测试。实验结果表明,与其他自编码网络和RBF(radial basis function)神经网络相比,该方法取得了良好的分类准确率,并且有效提高了训练速度。     

一种新的BP学习算法及在运动想象脑电信号分类识别中的应用

对运动想象(MI)脑电信号的正确分类是决定基于运动想象脑电的脑－机接口(BCI)性能的关键因素。为有效地提取MI脑电信号特征、提高分类正确率,提出一种基于单形进化的BP神经网络优化算法(BPSSSE)并运用于MI脑电信号的识别,提取自相关(AR)模型参数和希尔伯特边际谱作为特征输入,通过单形进化算法优化BP神经网络学习性能,实现对MI脑电信号的分类。测试实验中,对BCI竞赛数据进行左右手分类。结果表明在4s~ 8s时间段内平均分类正确率为80.17%,最高分类正确率为87.14%,证明了本文算法在基于MI脑电的脑机交互控制系统中应用研究的有效性和可行性。     

基于排列组合熵的脑电意识任务识别方法的研究

研究基于脑电信号排列组合熵的运动意识任务自动分类方法.求出时变脑电信号所对应的排列组合熵时间序列.它能很好的反映出事件相关去同步(ERD)和事件相关同步(ERS)现象,因此能有效地提取人脑想象左右手运动任务时的特征,最终利用K-近邻法模式分类方法对想象左右手运动任务进行分类决策.对国际脑机接口竞赛相关数据进行测试,最高准确率达到88.57%,最大互信息达到0.42.基于排列组合熵的脑电信号特征,可以作为脑电意识任务的有效分类依据.     

稀疏降噪自编码器在IR-BCI的应用研究

针对脑-机接口的特征提取问题,提出了一种基于非监督学习的稀疏降噪自编码器,对刺激诱发的脑电信号进行自主学习,构建原始数据的深层特征表达。该编码器引用稀疏自编码神经网络,通过加入噪声,增强其学习的泛化能力,增加了神经网络的鲁棒性。首先对多导联信号进行重新拼接,输入稀疏降噪自编码器,得到原始数据的稀疏特征表达;然后,采用支持向量机将学习到的特征进行分类;最后,同直接使用最优单通道相对比。实验结果为：稀疏降噪自编码器的分类准确率要优于单通道,表明该方法能够更好地学习到特征,并提高了“模拟阅读”脑-机接口的识别正确率,为脑-机接口系统的特征提取和分类提供了新思路。     

改进孪生网络的脑电信号处理方法

针对运动想象脑机接口系统中分类准确率低的问题,提出一种改进孪生网络的脑电信号分类方法,把原孪生网络中的两个子网络扩充成3个子网络,并设计了新的学习样本采集方法和距离函数;脑电信号经过小波变换及经验模态分解,利用自相关系数筛选得到预处理后的小波分量,然后随机分割成训练集和测试集,从训练集中按照新的学习样本采集方法获得学习样本集,将其输入3个权重共享的子网络进行训练,使用新的距离函数进行相似度的对比,最后计算测试样本特征与训练集中标签为1和标签为0样本特征相似度,选择最高相似度样本标签作为该待测样本的类别;通过对国际公开BCI Competition Ⅱ Data set Ⅲ和The largest SCP data of Motor-Imagery数据集进行仿真,此算法分类准确率高达94.29%;与现有性能较高的算法进行对比,其有效的提高了分类准确率,能更好地进行脑电信号分类识别。     

基于稀疏降噪自编码器的深度置信网络

传统的深度置信网络（DBN）采用随机初始化受限玻尔兹曼机（RBM）的权值和偏置的方法初始化网络。虽然这在一定程度上克服了由BP算法带来的易陷入局部最优和训练时间长的问题,但随机初始化仍然会导致网络重构和原始输入的较大差别,这使得网络无论在准确率还是学习效率上都无法得到进一步提升。针对以上问题,提出一种基于稀疏降噪自编码器（SDAE）的深度网络模型,其核心是稀疏降噪自编码器对数据的特征提取。首先,训练稀疏降噪自编码;然后,用训练后得到的权值和偏置来初始化深度置信网络;最后,训练深度置信网络。在Poker Hand 纸牌游戏数据集和MNIST、USPS手写数据集上测试模型性能,在Poker Hand数据集下,方法的误差率比传统的深度置信网络降低46.4%,准确率和召回率依次提升15.56%和14.12%。实验结果表明,所提方法能有效地改善模型性能。     

LM算法在神经网络脑电信号分类中的研究

在脑机接口(BCI)中,脑电信号(EEG)的特征提取和分类识别可以通过多层前馈神经网络的大量学习来实现,但是基于误差反向传播的BP神经网络标准算法收敛速度慢,在训练中效率不高,分类正确率也很有限。针对这些问题,文中提出使用一种快速稳定的Levenberg-Marquardt算法来代替BP算法进行神经网络的学习训练,并利用BCI 2008竞赛的Graz数据集B进行了对左右手想象运动脑电信号分类的MATLAB仿真实验。该方法使得脑电信号分类的正确率达到87.1%,比BP算法的正确率78.2%要高,并且具有更好的收敛性。该算法为脑电信号的分类提供了有效的手段。     

基于样本迁移的在线脑电分类方法

在线分类是脑机接口应用中的一个重要研究方向,传统的在线学习算法需要大量样本来适应脑电信号变化,这增加了计算和内存成本。为此,本文提出一种基于样本迁移的在线脑电分类方法。首先利用源域数据训练离线分类器,然后将目标域数据逐个放入进行在线欧式空间预对齐以减小个体差异性,进而提取CSP特征,最后采用加权组合的在线迁移学习分类器进行标签预测。在 BCI 竞赛 Ⅳ 数据集Ⅰ和Ⅱa的跨受试者在线模拟实验中,与4种最先进的算法相比,本文方法表现最好,在线平均分类准确率最高达到了86.02%和75.74%,表明了所提方法的有效性。     

模糊熵和深度学习在精神分裂症中的应用研究

精神分裂症是一种常见的重性精神疾病,多年来严重影响人类的生活质量,因此,对该病的准确诊断是治疗疾病的前提。针对以上问题,提出一种基于大脑复杂性和深度学习的精神分裂症脑电信号（EEG）分类方法,旨在发现隐藏在数据中的分布式特征。与忽略空间信息的标准脑电数据分析技术相反,首先将脑电信号的时间序列进行分频处理,并将每个频段的时间序列用模糊熵（FuzzyEn）进行特征提取,按照电极的空间位置构成特征向量,并将特征向量输入到卷积神经网络（CNN）中训练分类模型,自动识别受试者是否患病。实验结果表明,基于模糊熵和卷积神经网络的分类方法是有效的,分类准确率达到了99.16%。     

基于小样本学习的SAR图像识别

深度学习已成为图像识别领域的一个研究热点。与传统图像识别方法不同,深度学习从大量数据中自动学习特征,并且具有强大的自学习能力和高效的特征表达能力。但在小样本条件下,传统的深度学习方法如卷积神经网络难以学习到有效的特征,造成图像识别的准确率较低。因此,提出一种新的小样本条件下的图像识别算法用于解决SAR图像的分类识别。该算法以卷积神经网络为基础,结合自编码器,形成深度卷积自编码网络结构。首先对图像进行预处理,使用2D Gabor滤波增强图像,在此基础上对模型进行训练,最后构建图像分类模型。该算法设计的网络结构能自动学习并提取小样本图像中的有效特征,进而提高识别准确率。在MSTAR数据集的10类目标分类中,选择训练集数据中10%的样本作为新的训练数据,其余数据为验证数据,并且,测试数据在卷积神经网络中的识别准确率为76.38%,而在提出的卷积自编码结构中的识别准确率达到了88.09%。实验结果表明,提出的算法在小样本图像识别中比卷积神经网络模型更加有效。     

基于DropOut降噪自编码的磨矿系统故障诊断

磨矿系统的故障诊断主要依靠工人的经验,这为故障诊断增加了大量不确定性.此外,磨矿系统的数据较为复杂,不仅工人难以对故障的发生进行准确判断,而且传统机器学习算法也由于数据的线性不可分而表现不佳.为了解决线性不可分问题,使用神经网络进行故障分类;面对故障数据的高复杂度,为提高神经网络的表达能力,使用自动编码器增加网络深度;为减弱深层网络带来的过拟合现象,引入DropOut降噪自编码.最后进行实验验证,实验结果表明,DropOut降噪自编码网络对于故障的分类准确率可达到90.4%.     

基于DAE-BP神经网络的工业质量预测

BP神经网络因具有良好的非线性拟合能力,在建立预测模型中得到广泛应用。但化工过程数据不仅存在非线性特征,而且难以避免受噪声影响,造成数据波动从而影响预测模型准确性。为此,提出一种降噪自编码器融合反向传播算法（简称为,DAE-BP）的化工过程质量预测方法。首先,采用无监督学习模型降噪自编码器完成初始数据的噪声消除,其具有噪声鲁棒性的特点,在数据受到损坏的情况下可尽可能地恢复数据的原始状态,有利于进一步的质量预测。在此基础上,将获取的数据特征作为有监督学习模型BP神经网络的输入以获得可靠的预测结果。在脱丁烷塔化工过程实例上验证方法有效性。并与单一BP算法、主成分分析(PCA)及自编码器(AE)改进的BP算法作为对照。结果表明,经过DAE改进后的BP算法预测误差为1.2%,相比单一的BP算法提高了3.2%精度,较PCA-BP及AE-BP预测误差精度分别提高了2.3%、1.9%,表现出最好的预测性能。     

基于降噪自编码神经网络的化合物毒性预测方面的研究

常规毒理学实验方法周期长,耗资高,对现代药物研发和环境化合物安全性评估具有局限性,通过对化合物毒理性研究,提取1047维分子指纹特征,提出去噪自编码神经网络无监督学习机制及对腐败特征的自联想学习特性提取隐含毒性化合物特征,实现化合物毒性预测和毒性化合物的活性预测。该方法在化合物毒性预测和活性预测中的预测精度分别为79.825%,80.85%, 敏感性分别为79.62%,80.25%,特异性分别为80.03%,81.45%。实验结果表明,去噪自编码网络较浅层机器学习更适用于高通量化合物毒性预测, 较传统自编码网络更具优越性。     

结合马氏距离与自编码器的网络流量异常检测方法

当前网络流量数据规模较大且分布不均衡,传统网络流量异常检测方法检测准确率较低。提出一种结合马氏距离和自编码器的检测方法,使用马氏距离倒数及判别阈值快速检测部分正常数据以减少训练数据量,同时,在自编码器代价函数中添加马氏距离度量项以增强自编码器的特征提取能力。在此基础上,将自编码器与分类器相结合以解决网络参数初始化问题,并通过调整自编码神经网络交叉熵损失函数中各项的权重,提高自编码神经网络对数据分布不均衡数据集的训练效果。实验结果表明,该方法在CICIDS2017数据集、NSL-KDD数据集上的异常检测准确率分别高达97.60%、99.84%,在CICIDS2017数据集上的F1值为0.941 3,高于DNN、LSTM、C-LSTM等方法。     

基于深度自编码器网络的压盖缺陷检测

口服液压盖过程,会出现压盖不良等情况,瓶盖可能会出现划痕、刮花、表面卷曲、压盖破损等缺陷,为保证食品药品安全必须在出厂前进行检测.在基于深度学习的口服液瓶压盖缺陷检测的研究过程中,使用传统卷积神经网络对口服液压盖缺陷数据集进行训练,需要进行人工标注,效率较低.为有效解决上述问题,设计出一种无监督学习的深度卷积去噪自编码...     

SDAE-LSTM模型在金融时间序列预测中的应用

针对金融时间序列预测的复杂性和长期依赖性，提出了一种基于深度学习的LSTM神经网络预测模型。利用堆叠去噪自编码从金融时间序列的基本行情数据和技术指标中提取特征，将其作为LSTM神经网络的输入对金融时间序列进行预测；通过LSTM神经网络的长期依赖特性来提高金融时间序列的预测精度。利用股价指数数据，与传统的神经网络的预测结果进行比较，结果表明基于深度学习的LSTM神经网络具有比较高的预测精度。     

青光眼眼底图像的迁移学习分类方法

针对目前缺少大型公开已标记的青光眼数据集,为了解决小样本学习能力不足、分类精度低等问题,提出一套基于迁移学习的青光眼眼底图像识别系统。对获取的青光眼眼底图像进行去噪、删除多余背景、提取感兴趣区域（ROI）、图像增强等预处理操作。在VGG16网络的基础上,对全连接层进行重新设计,得到一个简化的深度神经网络模型Reduce-VGGNet（R-VGGNet）。R-VGGNet网络在训练过程中,其卷积层与池化层继承VGG16模型在ImageNet数据集上预训练得到权值参数,全连接层的参数则根据青光眼数据集进行自适应调整。针对不同的网络结构和不同的训练策略进行了性能测试以及不同分类方法的对比实验。实验结果表明：基于R-VGGNet网络模型的识别方法提高了判别青光眼患者的准确率,可达91.7%,为临床医生诊断治疗提供了良好的解决方案。     

基于降噪自编码器与改进卷积神经网络的采煤机健康状态识别

针对采煤机监测参数间关联性强、冗余信息多且受强噪声干扰导致其健康状态识别困难及传统的采煤机状态识别方法在健康状态指标构建中人工参与过多导致识别准确率不高的问题,提出一种基于降噪自编码器（denoising autoencoder,DAE）与改进卷积神经网络（improved convolutional neural network,ICNN）的采煤机健康状态识别方法。首先,对原始监测数据作滑动平均降噪处理并进行归一化;其次,通过无监督训练降噪自编码器实现数据降维、特征提取,进而构建健康状态指标;然后,根据降噪后的监测数据与健康状态指标训练改进卷积神经网络模型,实现采煤机健康状态的自动识别;最后,利用采煤机仿真数据完成模型验证并与其他多种健康状态识别方法进行对比。结果表明：该方法识别准确率达98.38%,明显高于其他方法,可为后期的预知维护提供理论支持。     

基于卷积神经网络与迁移学习的碳钢石墨化自动评级研究

为实现碳钢石墨化的智能化评级,基于卷积神经网络与迁移学习的方法构建了碳钢金相图像的自动分类模型;首先通过几何变换和像素调整的数据增强方法建立了碳钢石墨化图像数据集;然后采用统一扩展网络宽度、深度和分辨率方式来协调精度与效率的轻量级EfficientNet网络作为主干特征提取网络,构建碳钢石墨化图像评级模型,并在训练阶段利用迁移学习与参数微调的方法来提高模型的训练效率;最后使用测试数据集对模型的分类精度与复杂度进行了验证实验,结果表明该模型能快速准确地对碳钢石墨化程度进行自动评级,在仅需12 MB内存的情况下,便可实现97.01%的评级准确率,单幅金相图像的平均检测时间也仅需10.27 ms,满足现场检测的精度与实时性要求。