基于像素的时序数据可视化分析方法TSD-PVAP

提出了一种基于像素的时序数据可视化分析方法TSD-PVAP。该方法采用了基于像素的可视化技术，运用了HSI颜色映射模式方法和递归模式的像素排列技术，对大数据量的时序数据进行可视化分析。     

定量递归分析和近似熵在心音分类识别中的应用

为了有效利用心音信号的非线性特征信息对心音信号进行分类识别,提出一种基于定量递归分析和近似熵的心音特征提取方法.首先利用递归图对心音信号进行定性分析;然后,定量提取心音的非线性特征参数:递归率、确定率、近似熵构成特征矢量;最后将特征矢量输入二叉树支持向量机,对采集到的正常以及5类心脏瓣膜性心音信号进行分类识别.对于文中提取的非线性特征参数,通过统计学分析证明了其有效性.结果表明,该方法能有效识别心音信号.     

基于IGF+Bi-LSTM算法的心电信号分类

为强化心电信号渐变特征、提高时序信号分类精度,基于Bi-LSTM提出了一种融合渐变数据特征的自适应算法IGF+Bi-LSTM（self-adaptive Bi-LSTM based on integrating gradient features）。该算法在一定范围内自适应选取相似程度最高的渐变数据特征,通过数据融合强化渐变特征在网络隐空间的交互,拓展Bi-LSTM信息传递模式;针对时序信号间存在周期性不匹配和强度不一致的问题,提出一种基于差分的改进的B式距离,以刻画数据和不同标签数据全体间的差异度S并自适应调整IGF+Bi-LSTM中的融合系数。实验表明,该算法在ECG数据集上的分类精度达到98.7%,F1值为98.7%,证明了IGF+Bi-LSTM算法的有效性和实用性。     

多时间尺度一致性的弱监督时序动作定位

由于弱监督时序动作定位模型使用视频级的标签作为监督信号,模型在识别出动作实例中最具区分性的视频片段时,也会将和视频级标签有关的背景片段误认为是动作,难以产生完整的动作提议。为了进一步检测动作片段,通过分析动作片段在多时间尺度上标记的一致性,提出了一种多时间尺度一致性的弱监督时序动作定位方法。对输入的视频帧提取RGB和光流的特征,设计一种多时间尺度的模块,使用不同尺寸的卷积核建模视频的时序关系。通过估计多时间尺度特征的时间类激活图,并对多分支的时间类激活图进行融合,获得多时间尺度一致性的动作预测标签。为了进一步优化模型预测的动作标签,采用迭代优化策略,在每次迭代中更新预测标签,并为模型训练提供有效的帧级监督信号。在THUMOS14和ActivityNet1.3数据集上进行实验验证,实验结果表明,方法性能优于现有弱监督时序动作定位方法。     

基于1D-CNN+GRU的光伏阵列故障诊断方法研究

传统神经网络模型无法有效提取信号时序特征。为充分利用光伏阵列信号的时序相关性特征、增强神经网络模型对数据的挖掘能力、更好地提升卷积神经网络(CNN)分类精度,把CNN和门控循环单元(GRU)相结合,提出了新的光伏阵列故障诊断方法。首先,利用CNN对数据进行标签处理。然后,将提取的标签作为GRU的输入,进一步提取时空特征。为加强该方法分类优势,添加了自适应批量归一化(AdaBN)函数。试验结果表明,该方法较传统神经网络分类方法更具优越性,提高了光伏阵列故障分类的准确率。最后,通过增加噪声模拟现场环境,验证了结果的正确性。     

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。     

基于递归图和近似熵的水下目标特征提取方法

为有效利用水下目标辐射噪声的非线性特征来对目标作分类识别,提出采用递归图分析和近似熵估计获取原时间序列的动力学行为的方法。在有效相空间重构的基础上,作目标样本时间序列的递归图,定性判断目标的可分性和原动力系统的确定性,在递归图算法的基础上,定量提取近似熵这一非线性特征。通过三类目标样本试验数据仿真表明,递归图分析能有效判断目标信号的周期性嵌入强度和目标信号的确定性,并能对目标作定性区分,近似熵能有效分类三类水下目标。     

基于神经元网和带死区的最小二乘算法的非线性离散时间系统的自适应控制

针对非线性离散时间系统,提出了一种用带死区的最小二乘算法去调节神经网参数的算法,同其他算法相比,这种算法具有非常高的收敛速度.对于这种自适应控制算法,证明了闭环系统的所有信号是有界的,跟踪误差收敛到以零为原点的球中.     

基于神经元网和带死区的最小二乘算法的非线性离散时间系统 …

针对非线性离散时间系统,提出了一种用带死区的最小二乘算法子调节神经网参数的算法,同时他算法相比,这种算法具有非常高的收敛速度,对于这种自适应控制算法,证明了闭环系统的所有信号是有界的,跟踪误差收敛到以零为原点的球中。     

基于U-net-BiLSTM-CRF的心律失常多目标检测

由于卷积滤波尺寸等限制,U-net无法学习到心电(Electrocardiographic, ECG)信号的长时序关联性以及标签间的相关性。对此提出一种基于U-net-BiLSTM-CRF的心律失常多目标检测方法,可同时输出目标心拍所属类型和位置信息。使用U-net学习融合特征,再将其输入到双向长短时记忆网络(Bi-directional Long Short-Term Memory, BiLSTM)中学习长时序依赖特征,最后使用条件随机场(Conditional Random Field, CRF)对标签间的关系建模,优化分类结果。依据ANSI/AAMI EC57:2012的心搏分类标准,对MIT-BIH心律失常数据库中共85 609个心拍记录进行划分,在划分后数据集上的实验结果表明,该方法对心拍分类的准确率达99.11%,特异性为99.76%,灵敏度为97.21%,优于传统U-net在MIT-BIH心律失常数据库上的分类性能。     

基于神经网络的时序预测模型研究

古人云“以史为鉴”,说的是吸取历史的经验教训,对未来的情况做出预判或者改变。生活中,亦是存在相似的利用历史数据对未来变化趋势进行预测分析的时间序列问题。本文就时间序列一类的问题进行研究,探讨如何更好地根据历史统计数据,对未来的变化趋势进行预测分析。本文基于神经网络,以气象观测历史数据作为研究的对象,建立了气温变化时序预测模型。本模型利用大数据相关技术对数据进行特征处理,通过深度神经网络,学习特征数据和标签数据之间复杂的非线性关系,从而实现对气温变化的趋势预测。实验结果表明,相较其他模型,本文的模型能够更好地进行时序预测,同时也证明了神经网络用于气象预测的可行性。     

基于反馈神经网络的动态化工过程建模

针对非线性动态化工过程建模存在的问题,提出了一种新的反馈神经网络结构,并将状态反馈、时间序列延尺以及集中节点的概念结合起来,用于提高反馈神经网络的性能,同时又使得网络结构不至于太复杂,在用此网络结构建模的时间,成功地将BP算法用一网络模型的训练。文中将这种反馈神经网络结构分别对一个单输入单输出（SISO）的非线笥动态系统和一个多输入单输出（SIMO）的连续全混釜（CSTR）模型进行建模,并将所得模型与基于表态BP神经神经所得的模型在模型输出精度和抗干扰性等方面进行了比较,证明了该反馈神经在动态过程建模中能够比静态BP模型更好地反映出动态过程的输入输出关系,并具有一定的抗干扰能力。     

闪速炉的神经网络冰镍质量模型与稳态优化控制研究

提出了基于神经元网络技术的软测量方法,建立复杂工业过程(闪速炉)模型.针对 生产工艺的要求,分别建立了生产工艺指标模型和产品产量模型,开辟了复杂工业过程产品 质量建模的新领域.在建模基础上,对闪速炉进行了稳态优化控制研究,结果表明该方法具有 较好的节能效果.最后给出了将来在线优化控制的建议.     

空气预热器供风系统的模型辨识与稳态优化控制

利用多层前向神经网络,对电站锅炉回转式空气预热器供风系统在不同输入作用时 的系统稳态模型进行了辨识.比较了风温、风压对系统的影响.提出了基于神经网络的供风系 统模型,并以此模型为基础提出了稳态优化算法,实现了回转式空气预热器供风系统的稳态 优化控制,经济效益显著.     

离散Hopfield神经网络的稳定性研究

推广了前人关于离散Hopfield神经网络的稳定性定理及周期为2极限环的存在定 理,并从理论上给出了新的严格的证明.进一步,提出了关于部分变元稳定和部分变元为极限 环的新概念,并给出了判别定理.最后给出了几个有趣的例子,揭示这类网络渐近行为的复杂 性.     

间歇制浆蒸煮终点预测方法

在分析常用蒸煮模型的基础上,提出了基于神经网络的制浆蒸煮过程建模方法,与BP神经网络相比,RBF神经网络具有最佳逼近能力、收敛速率快和不存在局部极小点等,因而选用了RBF神经网络作为建模工具。在决定RBF神经网络的输入和输出变量时,充分利用了现场可测量的物理量和制浆蒸煮过程知识、其输入变量比常用蒸煮模型增加了硫化度和木片合格率,其输出变量有用实际过程测量所需的终点H因子的对数,这样就减少了RBF神经网络的规模,提高了训练速度。对工厂的实际数据应用表明,该RBF神经网络模型的预测精度高于传统的Hatton模型。     

B样条神经网络的构造理论

文中首先讨论了Ｂ样条基函数的特性,在此基础上采用构造性的方法从理论上了Ｂ样条神经网络能够以任意精度逼近任意定义在致密区间上的连续实函数,最后给出了构造性算法,使用此算法,能在满足误差要求的条件下,构造出几乎最小的Ｂ样条基函数。     

用于信息处理的延时混沌神经网络

为了提高混沌神经网络用于信息处理的能力,采用一种参数调节控制方法,通过对一种延时对称全局耦合混沌神经网络的黏合参数的控制研究了网络的动态联想记忆,使被控网络在仅有部分神经元进入周期态的情况下达到输出稳定,并且稳定输出序列只包含与输入模式相关的存储模式及其相反模式。仿真实验说明网络具有良好的容错能力和很高的回忆正确率,适合应用于信息处理和模式识别。     

延迟离散Hopfield型神经网络异步收敛性

离散Ｈｏｐｆｉｅｌｄ型神经网络的一个重要性质是异步运动方式下总能收敛到稳定态。同步运行方式下总能收敛到周期不超过２的极限环,它是该模型可以用于联想记忆设计,组合设计计算的理论基础,文中给出了延迟离散Ｈｏｐｆｉｅｌｄ型网络的收敛性定理,在异步运动方式下,证明了对称连接权阵的收敛性定理,推广了已有的离散Ｈｏｐｆｉｅｌｄ型网络的收敛性结果,给出了能量函数极大值点与延迟离散Ｈｏｐｆｉｅｌｄ型网络的稳定态的     

"数字小区"的构建与应用研究

“数字小区”是“数字地球”的微观表现,是“数字地球”某一小区的“放大”效果,是数字化的虚拟的小区。根据“数字地球”的理论和战略,提出了“数字小区”的概念,为结合“数字地球”相关技术及三网合一、智能小区、智能住宅系统、等来构建和实现“数字小区”还探讨了“数字小区”总体结构、物理基础设施模型体系,关键技术和集成应用,最后提出实现“数字小区”的研究方法和建设思路。