基于肌电信号的上肢多关节连续运动估计

为了建立联系肌电信号与上肢关节连续运动量的一般化模型,首先利用Vicon视觉系统分析了人体上肢的运动特性,然后采集与上肢运动直接关联的肌肉表面肌电信号,并从中提取肌肉活跃度特征;在此基础上,采用主元分析算法对关节运动解耦,并计算决定关节运动的肌肉活跃主元,最后通过拟合高阶多项式构建了映射肌肉活跃度到上肢多关节角度的运动模型.大量的实验结果验证了利用本文建立的模型可以精确估计人体关节连续运动角度,而且本文方法的估计性能优于传统神经网络.     

基于多源信息和广义回归神经网络的下肢运动模式识别

针对目前下肢运动模式识别率低的问题,提出了一种基于多源信息和广义回归神经网络(GRNN)的下肢运动模式识别方法.通过足底压力信息将人体日常下肢动作分解为不同的动作片段以组成识别目标集.采用下肢表面肌电信号中的偏度、峭度、功率谱熵,以髋关节角度作为腿部特征值,利用主成分分析(PCA)方法对文中提取的特征值进行降维处理,以缩短模型训练时间,防止过拟合.最后,利用GRNN对目标集中平地行走、上楼、下楼3种动作进行识别.实验结果表明,该方法的正确识别率为90.16%.     

基于实时意图识别的外骨骼机器人步态切换

根据外骨骼穿戴者的实时运动意图,切换外骨骼机器人的行走步态,是外骨骼机器人研究热点问题之一.针对外骨骼机器人能够根据穿戴者的运动意图控制步态切换问题,提出采集人体表面肌电信号进行解码,通过BP神经网络识别穿戴者的运动意图,实现外骨骼进行步态规划,利用关节角度与足底压力的相关性以及重心轨迹,对所规划的步态的稳定性进行分析,依据不同的运动意图完成步态进行实时切换,验证了基于实时意图识别控制的外骨骼步态切换的可行性.     

基于主成分分析的神经网络入侵检测仿真研究

研究入网络安全的入侵检测问题.针对网络入侵数据的高维、非线性和冗余特点,传统降维和检测方法检测率低的难题,为了提高网络安全性,提出一种基于主成分分析的遗传神经网络网络入侵检测方法.首先对网络入侵的数据维数利用主成分分析进行降维处理,消除数据之间的冗余信息,简化神经网络的输入,然后采用遗传算法对神经网络的权值进行优化,加...     

采用核主成分分析和相关向量机的人体运动意图识别

针对人体步态识别率低的问题,提出了一种将核主成分分析(KPCA)和相关向量机(RVM)相结合的步态识别方法.首先,选择表面肌电信号(s EMG)作为步态识别信息源,提取表面肌电信号的小波包能量特征.然后,采用核主成分分析方法降维特征值去除冗余的信息,得到能反映步态特征的特征值.最后,利用相关向量机对步态特征向量进行分类,识别平地行走、上楼、下楼、上坡、下坡5种步态.通过分析不同受试者步态识别结果,验证了该方法的可行性和实用性,并和BP(反向传播)神经网络、SVM(支持向量机)等方法比较,结果表明该方法分类时间为2.6609×10~(-4)s,识别正确率为96.67%,是一种有效的步态识别方法.     

基于有监督Kohonen神经网络的步态识别

表面肌电信号随着时间的变化而改变,这将影响运动模式的分类精度.传统人体下肢假肢运动模式的识别算法不能保证在整个肌电控制时间内达到对运动模式的有效识别.为了解决这些问题,本文提取步态初期200ms的信号的特征值,将无监督和有监督的Kohonen神经网络算法应用到大腿截肢者残肢侧的步态识别中,并与传统BP神经网络进行了对比.结果表明,有监督的Kohonen神经网络算法将五种路况下步态的平均识别率提高到88.4%,优于无监督的Kohonen神经网络算法和BP神经网络.     

基于PCA与核LDA的表面肌电信号特征识别

针对表面肌电信号的非线性和非平稳性等特点,提出了一种主元分析与核LDA判别分析相结合的表面肌电信号特征识别新方法;通过虚拟仪器采集桡侧腕屈肌和肱桡肌两路表面肌电信号,并提取其特征参数平均绝对值和均方根,采用主元分析法对表面肌电信号特征参数进行压缩降维,应用核LDA判别分析法对降维后的数据进行分类识别;经过实验表明,该方法将表面肌电信号的特征参数由4维降到2维,减小了数据的冗余度,能够成功的从表面肌电信号中识别握拳、展拳、手腕内翻和手腕外翻四种动作,识别率高达96%。     

基于马氏距离的异构网络异常大数据剔除方法

传统异构网络异常大数据剔除方法存在数据维度较高、噪声较明显问题,导致异常数据剔除率偏低,且方法精度也不够理想.研究提出基于马氏距离的异构网络异常大数据剔除方法.利用改进马氏距离降维处理异构网络数据,分析数据之间相关性,提取网络数据主成分,生成具有较强抗噪性的高斯加权核函数.通过降维处理后的网络数据构建异常大数据信息流模...     

非线性PCA在表面肌电信号特征提取中的应用

针对表面肌电信号的特点,提出了一种应用非线性主分量分析(PCA)提取表面肌电信号特征的新方法.该方法在表面肌电信号滤波的基础上,采用非线性PCA方法完成数据压缩,将多路表面肌电信号转换为一维的特征数据主元,并以主元曲线的形式输出特征提取结果.本文采用基于自组织神经网络的非线性PCA对手臂尺侧腕伸肌和尺侧腕屈肌的两路表面肌电信号进行主元提取,试验结果表明,四种手部运动模式(握拳、展拳、腕外旋、腕内旋)对应的表面肌电信号利用该方法处理后,得到的主元曲线具有很好的类区分性,依据所得主元曲线的形状特征可以有效地进行手部动作类别的识别.     

基于2D-KPCA的拉普拉斯特征映射人脸识别*

针对拉普拉斯特征映射(LE)只能保持局部近邻信息,对新测试点无法描述的不足,提出一种基于二维核主成分分析的拉普拉斯特征映射算法(2D-KPCA LE)。与核二维主成分分析算法(K2DPCA)不同,该算法首先对训练样本空间进行二维主成分分析（2DPCA）,在保留样本空间结构信息的同时通过去相关性得到低秩的投影特征矩阵;然后用核主成分分析法(KPCA)提取全局非线性特征;由于其核函数需要大量存储空间,再用拉普拉斯特征映射(LE)进行降维。在ORL和FERET人脸数据库中的仿真实验结果表明,基于2D-KPCA的拉普拉斯特征映射算法不但可以有效处理复杂的非线性特征,又可以降低算法复杂度,提高流形学习的识别率。     

A comparative study of wavelet families for classification of wrist motions

The selection of most suitable mother wavelet function is still an open research problem in various signal and image processing applications. This paper presents a comparative study of different wavelet families (Daubechies, Symlets, Coiflets, and Biorthogonal) for analysis of wrist motions from electromyography (EMG) signals. EMG signals are decomposed into three levels using discrete wavelet packet transform. From the decomposed EMG signals, root mean square (RMS) value, autoregressive (AR) model coefficients (4th order) and waveform length (WL) are extracted. Two data projection methods such as principal component analysis (PCA) and linear disciminant analysis (LDA) are used to reduce the dimensionality of the extracted features. Probabilistic neural network (PNN) and general regression neural network (GRNN) are employed to classify the different types of wrist motions, which gives a promising accuracy of above 99%. From the analysis, we inferred that ‘Biorthogonal’ and ‘Coiflets’ wavelet families are more suitable for accurate classification of EMG signals of different wrist motions.     

基于PCA和IFOA-BP神经网络的股价预测模型

针对基于BP神经网络的股票价格预测模型在价格预测时存在较大误差的问题,在BP神经网络方法的基础上引入了主成分分析方法(PCA)和改进的果蝇算法(IFOA),提出一种基于PCA-IFOA-BP神经网络的股票价格预测模型。通过PCA对股票历史数据进行降维,减少冗余信息;采用改进的果蝇算法优化BP神经网络的初始权值和阈值;建立基于PCA和IFOA-BP神经网络的股票价格预测模型。对上证指数股票价格数据进行仿真验证,仿真结果表明:在股票价格预测中,该模型比BP神经网络、PCA-BP和PCA-FOA-BP的预测精度更高,是一种有效可行的预测方法。     

PCA-改进RPROP方法的BP算法在音乐信号分类中的应用

针对标准的BP神经网络仅从预测误差负梯度方向修正权值和阈值,学习过程收敛缓慢,并且容易陷入局部最小值,导致泛化能力不足的问题,提出了一种基于学习经验变学习速率改进的RPROP方法作为BP神经网络权值和阈值更新方法,并与主成分分析法(Principal Component Analysis,PCA)相结合,形成了PCA-改进神经网络算法。同时,采用Matlab软件对四类音乐信号进行分类实验。实验结果表明,改进算法比标准算法的稳定识别率提高2.6%,当稳定识别率达到90%时,用时节省75%,表明该算法可以加快网络的收敛过程,提高泛化能力。     

基于改进BP神经网络的羊肉价格预测

在羊肉价格预测问题的研究中,羊肉价格有着严重的非线性、高噪声和影响因素难以确定等特点,高效准确的预测羊肉价格是十分困难的。传统方法对羊肉价格的预测往往主观性较强或过分依赖羊肉价格间的线性关系,导致预测的精度较低,不够准确。针对羊肉价格预测难题及BP神经网络存在的缺陷,提出一种主成分分析与LM(Lvevenberg-Marquardt)算法结合使用的BP神经网络改进模型。首先定性分析影响羊肉价格的因子,然后采用主成分分析方法消除噪声并筛选主要影响因子作为神经网络输入,最后采用基于LM算法的BP神经网络进行训练学习与预测。仿真结果表明,模型的预测值与实际值十分接近,预测精度良好,提高了仿真预测的效率,为羊肉价格的预测提供了一种可行且有效的方法。     

Analysis of service satisfaction in web auction logistics service using a combination of Fruit fly optimization algorithm and general regression neural network

When constructing classification and prediction models, most researchers used genetic algorithm, particle swarm optimization algorithm, or ant colony optimization algorithm to optimize parameters of artificial neural network models in their previous studies. In this paper, a brand new approach using Fruit fly optimization algorithm (FOA) is adopted to optimize artificial neural network model. First, we carried out principal component regression on the results data of a questionnaire survey on logistics quality and service satisfaction of online auction sellers to construct our logistics quality and service satisfaction detection model. Relevant principal components in the principal component regression analysis results were selected for independent variables, and overall satisfaction level toward auction sellers’ logistics service as indicated in the questionnaire survey was selected as a dependent variable for sample data of this study. In the end, FOA-optimized general regression neural network (FOAGRNN), PSO-optimized general regression neural network (PSOGRNN), and other data mining techniques for ordinary general regression neural network were used to construct a logistics quality and service satisfaction detection model. In the study, 4–6 principal components in principal component regression analysis were selected as independent variables of the model. Analysis results of the study show that of the four data mining techniques, FOA-optimized GRNN model has the best detection capacity.     

一种改进的径向基神经网络预测算法

神经网络是数据挖掘的常用的方法之一,主成分分析方法是统计学多元分析中的一种分析多个变量间内在关系的方法。将主成分分析预处理方法与神经网络结合起来使用,可以分析原始变量间关系,将原始数据降维,减少数据规模。对神经网络算法和主成分分析相关理论进行了研究,在此基础上,结合大量的气象数据和北京的传染病数据,提出了一种改进的基于主成分分析预处理结合神经网络算法的数据挖掘方法。通过对比实验测试,本文提出的组合算法在收敛速度及预测准确性方面的性能有了很大程度提高。结合国家重大专项疾病预测项目,将该方法应用于其中的流行性传染病的预测上。     

Meal assistance system operated by electromyogram (EMG) signals: Movement onset detection with adaptive threshold

The objective of this study is to design a meal assistance system operated by electromyogram (EMG) signals. The system consists of four parts, EMG data acquisition, onset analysis, control circuit and operation of meal assistance robot. An algorithm based on EMG power with adaptive threshold is proposed for onset analysis, and applied to the operation of robot via control circuit. The performance of EMG-control system is tested in rate of success and comfort by both subjective and objective indices. The results show EMG signals acquired from active muscles in a human body can be used as control signals for the apparatus, by the proposed onset detection algorithm with adaptive threshold. The high rate of success and comfort of meal assistance system operated by EMG signals guarantee its use for patients with disabled upper limbs.     

基于小波KPCA与IQGA-ELM的煤与瓦斯突出预测研究

为有效预防煤与瓦斯突出灾害,针对煤与瓦斯突出预测精度和效率不高问题,提出基于小波核主成分分析(KPCA)和改进的极限学习机(IQGA-ELM)的煤与瓦斯突出预测方法.通过小波核主成分分析法对原始致突指标进行非线性降维处理,提取出致突指标主成分序列,将其作为极限学习机(ELM)网络神经的输入,利用改进量子遗传算法(IQGA)对ELM的输入层权值和隐含层阈值进行优化,建立小波KPCA-IQGA-ELM预测模型,模型的输出为煤与瓦斯突出强度的预测结果.研究结果表明,该模型泛化能力强,可以对煤与瓦斯突出强度进行有效预测.     

Electromyography-based control of active above-knee prostheses

This paper presents a new electromyography (EMG)-based control approach for above-knee (AK) prostheses, which enables the user to control the prosthesis motion directly with his or her muscle activating neural signals. Furthermore, the unique ‘active-reactive’ control structure mimics the actuation mechanism of a human biological joint, and thus provides the user an experience similar to that of a biological lower limb in the control process. In the proposed control approach, surface EMG is utilized to provide a non-intrusive interface to the user's central nervous system, through which the muscle-activating signals can be obtained. With the EMG signals as inputs, an ‘active-reactive’ control algorithm is developed based on the analysis on a simplified musculoskeletal structure of human biological joint. This control algorithm incorporates an ‘active’ component, which reflects the user's active effort to actuate the joint, and a ‘reactive’ component, which models the reaction of the joint to the motion as a result of the controllable impedance displayed on the joint. With this unique structure, the controller enables the active control of the joint motion, while at the same time achieves a natural interaction with the environment through the modulation of the joint impedance. The effectiveness of the proposed control approach was demonstrated through a set of free swing experiments, in which the user was able to control the prosthesis to follow arbitrary motion commands, and a set of level walking experiments, in which the user achieved natural walking gait similar to the typical walking gait of healthy subjects.     

基于PCA优化的神经网络飞机燃油消耗预测方法

针对传统方法存在的不足,提出了基于主成分分析法优化的Elman神经网络飞机燃油消耗预测方法。利用主成分分析法降低神经网络输入维数。构建主成分分析与Elman神经网络模型,进行基于飞参数据的实例分析,并将几种神经网络的预测效果进行了对比;提出了基于K-S检验法预测结果冗余修正法并进行了修正。误差指标和预测图像表明与主成分分析结合后Elman神经网络对飞机燃油消耗的预测性能优于其他传统神经网络,且K S检验法能够有效实现对预测结果的修正。