疲劳对驾驶员感知判断及操作特性的影响

为有效识别驾驶员疲劳状态,基于脑电信号(electroencephalogram, EEG)提出了一种驾驶疲劳状态识别方法. 首先,以时间段划分疲劳等级,并采用主、客观测评指标对疲劳等级划分的合理性进行验证. 然后,利用快速傅里叶变换对脑电信号进行分析,在此基础上选取3种频段的平均幅值和5项合成指标,通过核主元分析(kernel principal component analysis, KPCA)构建疲劳识别脑电指标,结合支持向量机(support vector machine, SVM),构建了驾驶员疲劳状态识别模型. 最后,采用30名驾驶员连续驾驶2h的脑电数据,对该模型方法进行试算. 试算结果表明:疲劳状态识别正确率为79.17%~92.03%,平均正确率为84.62%,该方法可用于驾驶疲劳识别.

     

汽车转向时驾驶员驾驶意图辨识与行为预测

提出了一种基于隐马尔可夫模型(HMM)和人工神经网络(ANN)相结合的模型,用于实现驾驶意图辨识和驾驶行为预测,从而达到辅助驾驶和提高主动安全性的目的。通过驾驶模拟器获得双移线和直线行驶的数据,通过结合HMM和ANN建立了驾驶员意图辨识和行为预测模型,对驾驶员意图和行为在紧急转向、正常转向和直线行驶三种工况下的操作分别进行了辨识和预测。实验结果表明,该模型在给定车速下能够准确辨识当前的驾驶意图和较为精确预测驾驶员的驾驶行为。     

油气管道缺陷漏磁在线检测定量识别技术

用有限元软件建模研究了管道缺陷的特征参数与漏磁信号的关系.对漏磁信号进行预处理以消除传感器提离值不同带来的影响,用BP神经网络进行了管道缺陷的定量识别,识别结果的误差<10%.将轴向和径向漏磁信号分别用加权平均和自适应加权平均两种方法进行信号级融合,数据融合后缺陷定量识别的精度和可靠性得到了提高.     

一种随机隐退DBN的脑电信号识别方法

针对DBN处理小样本脑电信号训练时间长且存在过拟合的问题,提出基于随机隐退的DBN算法对左右手运动想象脑电信号进行分类识别.先对原始脑电数据进行降维预处理,然后输入到随机隐退DBN模型中进行训练,得到最优参数值后进行分类识别.实验结果表明:与CSP、PCA、单一DBN网络等方法相比,基于随机隐退的DBN算法在保持较高识别率的同时,降低了对数据集的训练处理时间,证明了该方法的有效性.最后在智能轮椅平台上验证了该算法的可行性.     

信号交叉口右转机动车轨迹特性

针对信号交叉口右转车辆与非机动车冲突问题,提出右转机动车轨迹特性分析方法.对比有无干扰条件下右转车辆轨迹穿越位置分布,分析无干扰情况下轨迹的影响因素,建立轨迹模型,对模型参数进行验证.对右转机动车受同向直行非机动车干扰和受侧向直行非机动车干扰这2种情况的轨迹穿越位置进行聚类,建立有干扰条件下右转车辆平均轨迹模型.结果表明,无干扰轨迹模型与其它模型相比拟合效果要好,平均预测误差在5%以内,满足精度要求;有干扰条件轨迹模型的最大平均相对误差为7.31%.     

基于EEG的驾驶疲劳识别算法及其有效性验证

为有效识别驾驶员疲劳状态,基于脑电信号(electroencephalogram,EEG)提出了一种驾驶疲劳状态识别方法.首先,以时间段划分疲劳等级,并采用主、客观测评指标对疲劳等级划分的合理性进行验证.然后,利用快速傅里叶变换对脑电信号进行分析,在此基础上选取3种频段的平均幅值和5项合成指标,通过核主元分析(kernel principal component analysis,KPCA)构建疲劳识别脑电指标,结合支持向量机(support vector machine,SVM),构建了驾驶员疲劳状态识别模型.最后,采用30名驾驶员连续驾驶2 h的脑电数据,对该模型方法进行试算.试算结果表明:疲劳状态识别正确率为79.17%~92.03%,平均正确率为84.62%,该方法可用于驾驶疲劳识别.     

基于改进CNN的阀门泄漏超声信号识别方法

为了检测输气管道阀门泄漏，对改进AlexNet网络结构进行了研究，提出了基于改进卷积神经网络（CNN）的阀门泄漏超声信号识别方法.针对泄漏信号短时稳定的窄带线谱特征，从图像邻域信息密度角度出发，将卷积核形状由图像识别领域通常使用的"正方形"改进为"扁横状".同时，对AlexNet层数进行优化，重新确定卷积核和全连接层神经元数目，并选择小尺寸卷积核，在减少参数量的同时增加网络容量和模型复杂度，防止模型出现过拟合.分别建立二分类和不同泄漏量下的多分类模型，通过输气管道实验平台采集阀门泄漏数据集，生成对应时频图样本，包括不同阀门开度、不同管道压力下的泄漏及背景声信号.结果表明，对比传统的CNN分类模型，改进CNN分类模型在测试集上取得了更高的识别性能.     

基于盾构掘进参数的BP神经网络地层识别

分析3种典型地层中盾构推进力、推进速度、刀盘扭矩、刀盘转速4个掘进参数的变化规律.应用BP神经网络建立一个以相邻2个采样时刻的盾构推进力、推进速度、刀盘扭矩、刀盘转速共8个掘进参数为输入,地层编码为输出的地层识别模型.通过60组训练样本数据对模型进行训练,训练误差控制在8×10-7以内,并用30组预测样本数据对该模型加以预测检验,预测成功率达到93%左右.结果表明,基于盾构掘进参数的BP神经网络地层识别模型能够实现盾构掘进参数与地层之间的良好非线性映射,可以在盾构掘进施工中利用掘进参数实现对地层的在线识别.     

基于卷积神经网络的多类运动想象脑电信号识别

针对传统多类运动想象（MI）脑电信号的识别方法须进行繁琐的预处理以及特征提取问题,提出基于深度学习的MI信号自动分类方法.在样本表示方面,提出将多通道脑电（EEG）信号转化为一维序列信号处理,在增加样本数量的同时又能够忽略与通道位置相关的空间信息的影响;根据输入信号的特点,采用多层一维卷积神经网络学习不同运动想象状态时脑电信号中的时频信息,自动完成特征提取和分类工作. 将所提出的方法在公共数据集上与多种方法进行比较,并完成对实际采集数据集的分类. 利用所提方法在不需要先验知识的条件下,对脑电信号进行端到端的学习. 结果表明该方法可以获得更高的多分类准确率以及降低个体差异对分类的影响. 所提出的方法有利于促进基于MI 的脑机接口系统的开发.     

利用卷积回声状态网络实现脑电情感识别

针对多通道脑电(EEG)的情感识别,提出了一种卷积回声状态网络(CESN)模型。首先构造EEG信号的特征矩阵序列;然后通过卷积操作提取各个样本的高层抽象特征,形成一维特征向量序列;利用具有自反馈功能的蓄水池结构,捕获向量序列的动态时序信息;最后用岭回归来实现情感识别。在情感分析专用生理信号数据集上进行实验的结果表明,EEG信号的动态时序性蕴含着与情感状态相关的区分性信息,所提的CESN模型能够有效地挖掘这种信息,并用于情感分类,解决了卷积神经网络中因使用反向传播算法而导致的局部最优和训练时间过长的问题。     

基于深度学习的星载SAR工作模式鉴别

针对传统星载合成孔径雷达（SAR）工作模式反演方法在识别准确率和时效性上存在局限性的问题,根据SAR信号的特点,提出基于一维卷积神经网络的星载SAR工作模式识别模型.该模型以星载SAR信号脉冲峰值幅度作为输入,利用卷积神经网络的自主学习和模式识别能力,避免了传统方法的人为影响因素,能够学习原始信号更具有代表性的特征,最终实现星载SAR工作模式的有效识别.在设计一维卷积神经网络结构时,参考了现有性能较优的卷积神经网络,根据网络训练过程中准确率和损失值的反馈,调整设置了较优的参数以训练得到具有良好识别性能的模型.基于仿真数据的对比实验表明,该模型相较于传统反演方法具有更高的识别准确率,同时对于主旁瓣信号和不同侦收条件均具有较优的鲁棒性和抗噪性.     

基于模糊ART神经网络的变压器局部放电模式识别

对变压器主要放电类型的3种局部放电典型电极模型进行试验,通过分析计算提取局部放电信号特征量,建立相应的局部放电信号特征库,以此作为模糊ART网络的输入,对局部放电的类型进行模式识别,并将识别结果与BP网络的识别结果进行对比。实验结果表明,模糊ART网络用于变压器局部放电模式识别是有效的。     

损伤声发射信号小波包神经网络特征识别方法

在材料损伤的检测和评价时,为了在大量接收信号中识别有效声发射信号,提出了一种基于小波包特征提取的损伤声信号神经网络识别方法,首先利用小波包全局分解的优势,准确提取非平稳信号的特征信息,建立相应特征向量,对有效声发射信号和干扰噪声信号进行表征;然后根据特征向量和识别输出要求,建立了3层结构的反向传播神经网络对信号进行分析和识别,滤除噪声信号,保留有效声发射信号;最后,在玻璃钢复合材料的声发射实验中,采集了400组信号对该方法进行验证,准确性达到97.5%,能够满足工程需要.     

双线性融合网络的驾驶员分心行为识别

准确识别驾驶员的分心行为能够从源头上减少交通事故的发生。传统的识别方法类别少,准确率不高,对此,引入并改进残差神经网络(ResNet-50)对驾驶员分心行为进行识别。为了进一步提高模型特征的提取能力,从改进后的ResNet-50和EfficientNet-B0模型中提取特征,并将其双线性融合,从而进一步提高模型的识别准确率。通过对正常驾驶、玩手机、打电话、喝水、向后座拿东西、与副驾交谈6种驾驶员的行为进行测试,改进后ResNet-50模型的平均识别准确率达94.2%。将改进后的ResNet-50与EfficientNet-B0模型进行融合,融合模型的平均识别准确率高达96.7%。实验结果表明,该方法对驾驶员分心行为的检测有较好的分类效果。     

基于AR模型和神经网络的膝骨性关节炎诊断

本文旨在采用表面肌电信号无创性方法诊断和评判膝骨性关节炎,以在早期能够预防和治疗膝骨性关节炎,改善生活质量。在研究中,采集了对照组和膝骨性关节炎患者水平行走时下肢的股外侧肌,股内侧肌,股二头肌和半腱肌的表面肌电信号。利用表面肌电信号建立自回归（AR）模型,提取AR模型参数为特征向量训练BP神经网络,并通过神经网络诊断膝骨性关节炎。实验表明,基于BP神经网络分类器可以得到较好的结果,正确率可达到88％以上。     

遗传神经网络在数控机床刀具监测与 控制系统中的应用

数控机床刀具磨损监测与磨损量估算对于提高机床加工的利用率,减小由此带来的经济损失和安全隐患具有重要意义.提出了一种基于无线传输技术的数控机床刀具监测与控制系统,利用遗传算法优化BP神经网络的算法诊断刀具磨损状态.通过采集刀具加工过程中的振动信号,利用时频分析法提取反映刀具磨损状态的信号特征量作为神经网络的输入样本,完成加工过程中刀具磨损状态的识别.试验结果表明:该系统工作稳定,识别结果较准确,且具有较强的实用性.     

基于小波变换的脑电信号降噪方法的研究

通过小波变换方法对左右手运动想象脑电信号进行降噪.在对各种小波阈值降噪方法(固定阈值形式Sqtwolog及硬阈值法;使用Birge-Massart惩罚函数的阈值形式及软阈值法;使用分层阈值及改进的阈值法)的讨论比较之后,给出一种改进方案.然后对不同降噪方法处理后的脑电信号用概率神经网络进行分类.最后对分类效果进行比较,证明了此改进方案具有可行性.     

基于神经网络的气体目标识别方法

研究神经网络在战场气体特征目标识别应用中的有效算法.通过建立战场目标气体特性探测与分析系统,针对战场上不确定背景条件下气体目标的自动识别问题,在总结目标特性规律,分析BP算法的基础上,采用BP算法对分类器进行训练,改善系统对信号的探测能力.典型战场目标信号样本检验表明:利用基于神经网络的分类器来实现对战场气体目标的识别分类是可行的.     

粗集神经网络系统及其应用

讨论了粗集神经网络系统及其在心电图自动识别中的应用。根据识别需要,从MIT心电图数据库获取心电图特征参数,根据粗集理论对属性进行优化,并用BP神经网络进行学习。运用这些特征参数和训练好的BP神经网络对心电图进行分类,识别准确率达到90%。     

Deep linear discriminant analysis for two-stage brain-controlled character spelling decoding

In order to make full use of visual and auditory perception channels and realize efficient brain-controlled character spelling, a two-level spelling paradigm based on the region is proposed. In the first level of the paradigm, the target region is selected based on the motion-onset visual evoked potential, and the code division multiple access method is introduced to improve the selection rate. In the second level, the target character is encoded based on the hybrid motion-onset visually evoked potential and auditory P300 to make full use of the visual and auditory hybrid effect to improve the accuracy of target character selection. In order to decode the collected EEG signals effectively, a classification recognition algorithm for EEG signals combined with a deep linear discriminant analysis is proposed. Experimental results show that the average classification accuracy of the deep linear discriminant analysis algorithm in the classification recognition of two-level EEG signals is 61.7% and 74%, respectively, which is obviously higher than that of the traditional method and the two convolutional neural network methods. Therefore, the algorithm can effectively improve the decoding performance of the two-level brain computer interface induced by the audio-visual hybrid.