基于梯度boosting的癫痫脑电检测方法(英文)

自动癫痫脑电检测对癫痫的诊断具有重要意义,可以减轻监测长期脑电的工作强度。本文提出和探讨一种基于梯度boosting的长程脑电癫痫检测的新机器学习算法。该算法提取长程脑电的相对波动指数作为特征,采用梯度boosting算法训练分类器来识别发作和正常脑电。最后采用平滑和"collar"技术作为后处理进一步提高检测准确率。利用弗莱堡21位病人的脑电数据对该癫痫检测算法进行评估,实验表明,该算法的平均灵敏度为94.6%,误检率为0.18/h。     

单导癫痫脑电模糊特征提取的支持向量机发作预测

为了寻找一种通过单通道脑电分析实现癫痫发作预报的新方法,提出了一种基于经验模式分解模糊特征提取的支持向量机二分类预测模型。对7名受试者发作前的各导脑电信号进行经验模式分解,提取各本征模式函数分量的模糊特征向量,将其作为支持向量机的输入进行分类.研究表明,系统预测准确度与导联选择有关,但与支持向量机所用的核函数关系不大。最佳导联选择条件下,所提出的方法在预测癫痫发作时的表现为:准确度为82.8～87.1%,特异性为86.7～91.9%,敏感性为74.6～81.3%范围。     

基于RBF核函数支持向量机分类器的多导脑电信号分类识别研究

脑电信号是一种典型的非平稳随机信号,对脑电信号的分类识别是非常困难的,为了提高正确识别率,提出多导脑电信号的分类识别方法.首先对受试者分别在睁眼和闭眼状态下的单导脑电信号进行特征提取,然后选取多组识别效果不好的单导联的特征,组合成为多导脑电信号特征,最后用RBF核函数的支持向量机分类器进行分类识别.结果表明对多导联特征的正识率比单导联正识率有很大提高.     

基于支持向量机的彩色图像人脸检测

本文提出了一种彩色图像中的人脸检测方法,该方法先通过综合定位皮肤区域的一维Haar小波变换和幅度投影来进行特征判别分析(DFA),然后再利用支持向量机(SVM)分类器和贝叶斯统计分析法来区分人脸和非人脸.实验结果表明,该算法鲁棒性强,正确检测率高.     

基于EMD和支持向量机的柴油机故障诊断

为了解决传统小波或小波包变换方法对柴油机振动信号频率分辨率不高、易受邻近谐波分量间交叠影响的缺陷,提出了一种基于经验模态分解和支持向量机的故障诊断方法。该方法首先对振动信号进行经验模态分解,分别提取能量最大的几个基本模式分量的小波包特征;然后采用支持向量机在每个独立的特征子集中进行训练,并按该子集对应的基本模式分量的能量权重进行加权融合。试验中将该方法应用于6135型柴油机的故障诊断,结果表明,针对每个基本模式分量分别进行故障分析是可行的,能够对6135型柴油机常见故障模式进行准确识别。     

基于支持向量机的雷达一维距离像识别

本文利用三类常用的核构造的支持向量机来对雷达目标一维距离像识别,得到了较高的识别率,通过改进支持向量机的核能较大程度减少训练时间,也能使支持向量的个数显著减少,同时具有较高的识别率.     

基于脑电通道动态选择方法的癫痫检测

在癫痫检测任务中,脑电信号的通道选择直接影响检测性能.针对静态通道选择方法中脑电信号部分时段癫痫检测能力不足的问题,提出了动态通道选择方法.根据通道位置和脑电信号功率谱密度确定通道集合,选择通道集合中癫痫检测能力最强的一路通道作为特征提取通道,通过提高局部癫痫检测能力,进而提高整体检测能力.实验结果表明,提出的动态通道...     

基于α稳定分布和支持向量机的轴承模式分类

针对滚动轴承发生故障时振动信号表现出来的脉冲特性,提出了一种基于α稳定分布和支持向量机的模式分类方法。介绍了α稳定分布的定义和概率密度函数,并与故障轴承振动信号的概率密度函数曲线进行比较,证明了具有脉冲特性的轴承振动信号符合α稳定分布。用小波包分解技术对不同类型的轴承实测数据进行分解,并提取相应特征参数作为特征向量,建立支持向量机诊断模型,进行特征模式分类。通过与传统的基于峭度和方差的模式分类方法进行比较,表明该方法具有较高的诊断准确性。     

基于支持向量机的轴承表面缺陷检测

提出一种基于支持向量机的轴承表面缺陷检测算法,该算法把轴承中的非缺陷区域和缺陷区域分别看作两种不同的纹理模式,利用主成分分析法(PCA)对图像进行降维处理,然后用支持向量机方法对两类不同的样本采样学习,进行分类判断。实验结果表明,该算法能够较好地实现轴承缺陷的检测分类,有着深入研究的价值。     

基于支持向量机的摩擦焊超声检测缺陷识别

为准确识别摩擦焊试件接头主要缺陷类型,采用小波包变换对一维超声信号进行处理,利用“能量-故障”法提取信号特征值,并将特征值引入“一对多”支持向量机进行分类识别。通过验证发现,支持向量机较好解决了小样本、非线性和高维数问题,准确率高、容易在线实施,具有较强推广能力。     

基于小波包和支持向量机的齿轮故障诊断

提出了一种基于小波包和支持向量机的齿轮故障诊断方法,并介绍了该方法的原理和算法。利用获得的矿井提升机减速箱齿轮数据建立了多级故障分类器,通过对样本的分类输出检验,验证了该故障诊断方法的可行性。     

基于奇异值分解和支持向量机的转子故障诊断

为了准确识别转子不平衡、不对中、碰摩和油膜涡动等故障,利用小波分析对转子故障信号进行4层分解,将频率由高到低的5个分支信号作为奇异值分解（Singular Value Decomposition,SVD）矩阵的行向量,经奇异值分解后得到信号的故障特征值。通过支持向量机（Support Vector Machine,SVM）在选择不同的核函数和结构参数下比较其对转子故障诊断结果的影响。结果表明在选择最优SVM模型和参数的基础上,对SVD获得的故障特征值进行诊断,得出了准确的诊断结果。     

基于支持向量机的跌倒检测算法研究

实时跌倒检测能有效降低老人因跌倒导致的身心伤害,提高老人的独居能力和健康水平。为提高基于惯性传感器的跌倒检测系统的准确率,降低系统误报率和漏报率,提出了应用基于径向基函数的支持向量机算法实现跌倒判定。首先,应用佩戴在人体腰间的便携式跌倒检测系统完成数据的采集;然后,利用基于径向基函数(RBF)的SVM分类器标记疑似跌倒行为,并利用粒子群算法完成分类算法中惩罚因子C和RBF参数g的优化。结果表明,在区分跌倒与类似跌倒的日常活动时,基于SVM算法的跌倒检测系统准确率、误报率和漏报率分别为97.67%,4.0%和0.67%。与传统的阈值方法相比,跌倒检测性能有很大提高,从而加强了该系统在老人跌倒检测中的应用。     

基于支持向量机的往复泵泵阀故障诊断方法

提出一种基于支持向量机的往复泵泵阀故障诊断方法。该方法将泵阀振动信号的小波包变换系数作为特征向量，输入到由多个支持向量机构造的一个多值分类器中进行故障模式分类。试验结果表明，该方法不仅可以对发生故障的单个泵阀进行诊断，而且还能对同时发生故障的多个泵阀进行诊断。与常用的人工神经网络方法比较，该诊断方法具有更好的有效性、鲁棒性和推广性，在机械设备故障诊断中有很好的应用前景。     

基于小波包分解和支持向量机的机械故障诊断方法

提出应用小波包分解和支持向量机进行机械故障诊断的方法。该方法将振动信号小波包分解后的频带能量作为特征向量,输入到由多个支持向量机构成的多故障分类器中进行故障识别和分类。试验结果表明,与神经网络相比,采用支持向量机进行故障诊断可以获得更高的诊断精度,表明该方法是有效的、可行的。     

基于支持向量机的滚动轴承性能退化评估方法

由于损伤积累,轴承的性能会逐渐退化,为准确地评估滚动轴承性能退化状态,提出了一种基于支持向量机和小波包分解的方法。并利用具有不同故障程度的滚动轴承的振动信号,对该方法进行了验证。评估结果表明,该方法可以准确地评估轴承的性能退化程度。     

基于支持向量机和小波分解的气体识别研究

提出将支持向量机应用到气体种类识别的研究中，并建立小波分解提取特征量和支持向量机识别气体种类的气体定性分析模型。通过小波分解提取半导体气体传感器在温度调制下的动态响应特性的特征量，分别使用不同核函数和不同结构的支持向量机建立判断特征量与气体种类的模型。实验结果说明使用支持向量机进行气体成分定性识别的效果优于同结构的神经网络，且对支持向量机自身结构的选择不敏感，适合于对多组分气体定性分析研究。建立的模型在分辨力为13ppm（对CO）和15ppm（对Hz）的条件下，对单一氢气、一氧化碳及其混合气体的识别率可达98％，适合于工程应用。     

纠错输出编码支持向量机的电机诊断

针对交流电机故障诊断问题,提出了1种纠错编码输出向量机故障诊断方法。通过试验系统采集了正常电机、内置断条、内置不对中和转子不平衡4类电机的振动信号。对振动信号进行小波包分解、重构处理提取分解后各个频段的特征向量。通过纠错输出编码将多分类问题转化为多个二分类问题求解的思想,以编码的形式,利用纠错编码矩阵每列的码位值对训练样本进行重新分类,构造出若干个互不相关的二分类支持向量机,基于最小汉明距离原则检验测试样本的类别归属。该方法纠正由单分类器引起的偏差,提高了在多分类问题中的分类精度。实验结果表明该方法可达到诊断分类的目的。     

一种基于支持向量机的烟叶异物检测方法

为解决基于颜色空间的检测方法难以剔除与烟叶颜色相同或相近异物的难题,提出了基于支持向量机的检测方法。首先采用Laws算子,对烟叶图像进行预处理,初步分离出目标与背景;然后,根据纹理特征明显与否将待处理区域分为2类;最后,使用支持向量机分别对2个预分类的结果在频域做细分类。试验结果表明,所提方法可以准确地检测出烟叶中的各种异物,误检率较低,满足实际使用要求。