脑机接口中基于WPD和CSP的特征提取

针对脑机接口(brain computer interface,BCI)中2类运动想象任务的特征提取问题,提出了一种小波包分解(wavelet packet decomposition,WPD)与共同空间模式(common spatial pattern,CSP)相结合的脑电信号特征提取方法.该方法首先选择7个重要导联的脑电(electroencephalograph,EEG)信号,用‘haar’小波基进行三阶WPD分解;然后对每个导联分解后的其中5个子带进行重构,获取相关频域信息;最后对重构后信号利用CSP特征提取,获得六维特征向量.CSP与WPD相结合能够充分利用WPD的时频特性,有效避免CSP要求输入导联数过多、缺乏频域信息等缺陷.对2008年国际BCI竞赛数据和本实验室实验数据,采用该方法进行特征提取,通过概率神经网络(probabilistic neural network,PNN)分类.2种数据源分类正确率分别为92％和80％,相对于单纯的CSP特征提取,正确率分别提高5％和20％.实验结果表明:WPD与CSP相结合的特征提取算法能提取明显的特征,进而提高BCI的识别正确率.     

基于优化CNN与信息融合的地铁牵引电机轴承故障诊断

针对在单一传感器下轴承故障识别率低的问题,提出一种基于优化CNN与信息融合的地铁牵引电机轴承故障智能检测方法。首先,选取NU216轴承为研究对象,预制故障缺陷;然后,采用正交试验法设计试验方案,采集NU216轴承的振动信号和声发射信号;其次,将原始数据通过连续小波变换,分别提取轴承的振动和声发射信号的时频域特征,并将2类单通道数据进行融合,得到双通道融合数据集;最后,将得到的3类数据集分别划分为训练集和测试集,输入优化后的卷积神经网络模型进行训练、测试。试验结果表明,基于振动信号的故障诊断准确率为95.76%,基于声发射信号的故障诊断准确率为92.33%,基于融合信号的故障诊断准确率为98.59%。     

基于特定任务肌肉协同的用户无关肌电手势识别研究

表面肌电信号可以反映用户的动作意图,因而成为人机交互的主要控制信号。然而,个体差异性使得用户模型不通用,不利于发展普适性的肌电设备。本文从神经协同控制角度出发,通过非负矩阵分解算法提取肌肉协同,并利用少量新用户预实验数据和最小二乘法,得到与预实验协同相近的新协同作为特征量。为了在低频可穿戴场景的应用考虑,分别在支持向量机、误差反向传播网络、K近邻算法这3个简单易移植的分类器上训练与测试。在Ninapro数据库的DB1(100 Hz)和DB5(200 Hz)中分别开展了4组手势识别实验,平均识别正确率分别为81.12%、78.19%、74.07%、60.11%(DB1)和85.75%、83.25%、79.07%、66.10%(DB5),比现有的低频可在线识别算法高了10%以上。本文算法简单方便,利用现有用户数据和少量新用户预实验数据即可训练分类器,并且从神经协调角度去判断意图,更有利于发展符合人体自然运动的控制方式,为可穿戴肌电设备的普及提供了可行的方案。     

基于CSAEMD-KECA和角结构距离的齿轮故障识别方法

作为机械传动系统中的重要部件,齿轮经常运行在变转速变载荷工况下,直接采集到的齿轮故障信号(原始信号)往往存在强背景噪声。由于其原始信号中存在噪声信号,干扰了齿轮故障模式识别,且传统故障识别方法准确率较低,针对这一问题,提出了一种基于CSAEMD-KECA和角结构距离的齿轮故障识别方法。首先,使用互补正弦辅助经验模式分解(CSAEMD)方法对齿轮故障信号进行了分解重构,以去除信号中的噪声成分;然后,利用核熵成分分析(KECA)方法对CSAEMD分解重构后的信号进行了特征提取,选取了对样本(CSAEMD分解重构后的信号)瑞丽熵贡献值较大的3个特征向量,并将其作为投影向量,样本数据向投影向量投影形成了特征数据集;最后,搭建了故障模拟实验台,对上述方法的可行性进行了验证,采用角结构距离的聚类方法对特征数据集进行了聚类分析。研究结果表明：利用实验台数据进行的有效实验,能够准确地识别出齿轮的各种故障,其聚类准确率达到98.3%;该结果可验证基于CSAEMD-KECA和角结构距离的方法在齿轮故障识别上的有效性。     

基于卷积神经网络的增敏型光纤弯曲传感器

为了提高光纤弯曲传感器的灵敏度,增大线性范围,降低成本,本文提出一种基于深度神经网络分类塑料光纤弯曲角度及方向的方法。使用进行侧抛增敏处理的塑料光纤,在光纤输出端采集不同弯曲角度的散斑图。制作了包含五类弯曲角度的数据集一以及包含七类弯曲角度的数据集二,在预处理图像数据之后,利用多层卷积神经网络对散斑图像进行卷积和池化处理,得到散斑图像的特征图,softmax分类器用来得到分类准确率,最后对两种不同卷积神经网络模型的分类效果进行对比。结果显示:数据集一光纤弯曲的角度间隔为5°时分类准确率达到了96%,理论和实际分析结果表明该方案识别率较高,基于该方法有望实现一种简单、高效的光纤弯曲传感器。     

全局注意力关系网络的小样本船舶识别

实际场景中采集的船舶目标类别样本数量不均衡,模型训练易导致过拟合。 传统迁移学习的数据集划分存在类别交 叉,造成未标注新类别识别精度低。 为解决上述问题,提出了一种跨目标通用全局注意力机制与关系度量网络融合的小样本船 舶识别算法。 该方法通过在关系网络中引入全局注意力机制,利用关系网络提取到的原始特征,经过全局注意力机制平滑不均 衡类别间的目标特征,并与关系网络提取的原始特征融合后进行特征距离度量。 该方法增强了全局特征之间的一致性,有利于 学习不变的目标特征,提升少样本少标签的船舶目标识别性能,解决了训练过程中类别不均衡导致的过拟合问题。 利用自己采 集制作的船舶数据集对本文方法进行测试实验,识别精度提高了 5. 6% (5-shot)、3. 2% (1-shot),减小了不均衡类别对模型目标 识别造成的影响,增强了模型的鲁棒性。     

基于多特征卷积神经网路的运动想象脑电信号分析及意图识别

为了准确提取个体运动想象脑电信号的最优时段和频段特征以及有效提高其分类准确率,结合卷积神经网络和集成分类方法提出一种多特征卷积神经网络(MFCNN)算法,对运动想象脑电信号进行分类识别。首先对脑电信号进行预处理,然后将原始信号、能量特征、功率谱特征以及融合特征分别输入到卷积神经网络中得到其训练模型,最后通过加权投票的集成分类方法得到最终的分类结果。并利用2008年BCI竞赛Datasets 2b数据集和实测数据对所提出的方法进行实验分析。结果表明,所提的MFCNN方法可有效提高运动想象识别率,实验中所有受试者的平均分类正确率和平均Kappa值分别为78.6%和0.57,为运动想象类脑机接口的应用提供了新的思路和方法。     

基于迁移学习的手部离散动作识别方法研究

表面肌电传感器作为新一代机器人人机交互接口设备,目前已在航空航天、军工应用、康复医疗、工业生产等多种环境中表现出巨大的应用潜力和价值。研究发现,表面肌电信号在识别手势动作时,若面临传感器移位、动作用户变化等问题,动作识别准确率将急剧下降,模型可复用能力变差。针对这一情况,提出一种基于小型辅助集的迁移学习建模方法。利用MMD算法对源领域数据集与目标领域数据集的高维距离进行评价,通过TCA算法缩小二者在全局特征上的边缘分布差异,引入小型辅助集对待测数据集创建伪标签,改进了迁移成分分析在数据条件分布相似性上的不足。以多名受试者作为研究对象,验证提出算法的适应性和合理性。肌电控制实验表明,新场景下受试者仅需进行小量训练(仅占源领域数据4%),迁移学习融合模型准确率可提高至80%以上。     

一种有效提高控制图异常模式识别效果的方法

提出了一种基于主元分析(PCA)的控制图特征提取方法,先用常规控制图提取生产过程数据集,再将其高维特征进行线性组合并向低维空间投影,从而降低了分类器的输入维数,提高特征的敏感性。用一个含有6种趋势的20维特征数据集进行测试,通过PCA预处理后,特征被降到了3维并保留了88%的分类信息;再用BP分类器对特征提取前后的数据集进行识别,结果优于新型RSFM网络进行直接识别的效果。实验结果表明了本文方法的可行性和有效性。     

基于改进图匹配的角盒类零件型腔加工特征自动识别

为满足角盒类零件型腔特征识别需求,提出了一种基于改进图匹配的型腔特征自动识别方法.分析了角盒类零件型腔特征,提取了特征简化模型的共性模板属性.获取了模型栅格高度点云数据,以高度中值作为阈值并将其转换为0-1特征值矩阵,提取了型腔面投影特征值以分离识别型腔壁边面.采用共性模板面邻接属性判定搜索型腔侧壁面,最终识别出了包含...     

Human activity recognition based on feature selection in smart home using back-propagation algorithm

In this paper, Back-propagation(BP) algorithm has been used to train the feed forward neural network for human activity recognition in smart home environments, and inter-class distance method for feature selection of observed motion sensor events is discussed and tested. And then, the human activity recognition performances of neural network using BP algorithm have been evaluated and compared with other probabilistic algorithms: Naïve Bayes(NB) classifier and Hidden Markov Model(HMM). The results show that different feature datasets yield different activity recognition accuracy. The selection of unsuitable feature datasets increases the computational complexity and degrades the activity recognition accuracy. Furthermore, neural network using BP algorithm has relatively better human activity recognition performances than NB classifier and HMM.     

基于长短时记忆和卷积神经网络的手势肌电识别研究

用表面肌电进行手势识别具有细节信息可选择性和抗外界干扰能力强的优势,但现有方法的适应性和识别准确性还不足.通过在卷积神经网络的基础上增加长短时记忆网络处理层,构筑手势识别模型,它能捕获手势动作过程的肌电时序特征,一定程度上减少了过拟合的现象.利用手势肌电丰富的时频域信息,提取手势肌电的小波包特征图像,并与手势肌电图像一...     

一类基于动态约束满足问题的产品配置方法

分析了传统约束满足问题在表示产品配置中动态配置知识上的缺陷,对传统约束满足问题的概念进行了扩展,提出了一类动态约束满足问题,能够表示配置中的动态配置知识,比传统约束满足问题具有更强的知识表示能力,更小的搜索空间和更好的计算复杂度,最后给出了基于动态约束满足问题的产品配置仿真。     

交互式CSP用于解决产品配置中交互问题的研究

传统CSP(Constraint Satisfaction Problem)难以用于描述和解决产品配置中的交互配置问题和使用户得到满意的配置结果。本文通过对传统CSP在交互配置中所存在缺陷的分析,定义了一类新的动态约束满足问题DCSP(Dynamic CSP),并以DCSP为基础提出了一种基于交互式约束满足问题ICSP(Interactive CSP)的交互配置方法的框架,解决了产品配置中的交互问题,使用户得到最优配置结果。最后进行了仿真验证。     

基于自适应优化空频微分熵的情感脑电识别

情感脑机接口旨在提供一种人与设备情感沟通的通道,情感脑电识别是其中最为基础和关键的环节。为了自适应地选择个体最优的空间电极和频段组合以实现情感脑电特征优化和分类效果提升,本文提出一种新的自适应优化空频微分熵(AOSFDE)特征,设计了基于相对熵的情感脑电空间电极重要性度量方法,根据导联重要性进行空间电极选择,通过稀疏回归算法对多重局部空间-频域内的微分熵特征进行优化选择。采用上海交通大学情感脑电数据集SEED进行实验分析,结果表明本文提出的AOSFDE方法可以有效提高识别准确率,针对15名被试者的积极/消极、积极/中性、中性/消极这三个情绪二分类场景平均准确率分别达到91.8%、93.3%和85.1%,为情感脑电识别研究提供了新的思路和方法。     

基于表面肌电信号的人体步态事件快速识别方法

针对下肢康复训练机器人主动训练阶段患者运动检测实时性、准确性的需求,提出一种基于动态表面肌电信号的人体步态事件快速识别方法。首先,通过表面肌电信号产生过程数学建模及步态过程中肌肉活动规律分析,给出了基于表面肌电信号强度及其变化特征的步态事件感知原理;其次,以双腿股外侧肌动态表面肌电信号强度及其变化为特征,构建了用于识别支撑和摆动两个步态事件的自适应模糊神经网络模型。实验结果表明：该方法识别结果正确率达95.3%,对足跟触地和脚尖离地事件发生时刻进行识别的平均时间误差分别为21.4ms和24.5ms,同时证明,该方法对步态之间表面肌电信号的差异具有较强的鲁棒性。     

基于激光点云与图像融合的3D目标检测研究

目前基于激光雷达与摄像头融合的目标检测技术受到了广泛的关注,然而大部分融合算法难以精确检测行人、骑行人等较小目标物体,因此提出一种基于自注意力机制的点云特征融合网络。首先,改进Faster-RCNN目标检测网络以形成候选框,然后根据激光雷达和相机的投影关系提取出图像目标框中的视锥点云,减小点云的计算规模与空间搜索范围;其次,提出一种基于自注意力机制的Self-Attention PointNet网络结构,在视锥范围内对原始点云数据进行实例分割;然后,利用边界框回归PointNet网络和轻量级T-Net网络来预测目标点云的3D边界框参数,同时在损失函数中添加正则化项以提高检测精度;最后,在KITTI数据集上进行验证。结果表明,所提方法明显优于广泛应用的F-PointNet,在简单、中等和困难任务下,汽车、行人和骑行人的检测精度均得到较大的提升,其中骑行人的检测精度提升最为明显。同时,与许多主流的三维目标检测网络相比具有更高的准确率,有效地提高了3D目标检测的精度。     

基于奇异值分解的人脸识别方法

提出了一种将傅里叶变换和奇异值分解相结合的人脸自动识别方法.首先对人脸图像进行傅里叶变换,得到其具有位移不变特性的振幅谱表征.其次,从所有训练图像样本的振幅谱表征中给定标准脸并对其进行奇异值分解,求出标准特征矩阵,再将人脸的振幅谱表征投影到标准特征矩阵后得到的投影系数作为该人脸的模式特征.然后,对经典的最近邻分类器算法进行了改进,并采用模式特征之间的欧式距离作为相似性度量,从而完成对未知人脸的识别.采用ORL(Olivetti Research Laboratory)人脸库对本文提出的人脸识别方法进行验证,获得了100.00%的识别率.实验结果表明,本方法优于现有的基于奇异值分解的人脸识别方法,且对表情、姿态变换等具有一定的鲁棒性.     

模拟电路故障特征降维方法

为有效进行模拟电路故障特征的降维处理,在线性判别分析中通过引入局部化思想提出一种局部线性判别分析降维方法。首先,构造单个数据的局部数据块,计算其类内、类间散度矩阵,通过缩放因子平衡局部邻域类内紧性和类间散性之差建立单个数据的局部优化准则;然后,在整个数据空间中采用对齐算法重构最终目标函数,最后使用标准特征值分解方法求得投影矩阵完成数据降维。算法充分利用数据的局部判别信息使其能够处理数据的非线性并保持数据的类区分度,而且克服了线性判别分析中的小样本问题。算法在标准数据集和模拟电路故障特征提取中进行实验均取得了较好的效果。     

基于孪生网络和多距离融合的行人再识别

为了提高行人重识别准确率,并针对当前数据集较小容易产生的过拟合问题,提出一种基于孪生网络和多距离融合的算法,并将其运用到行人再识别任务中。首先,利用孪生网络提取输入局部块的特征,并使用改进的inception模块,使提取到的特征具有辨别性和鲁棒性;然后,基于提取到的图像特征,利用多距离融合算法在特征空间度量其特征匹配优化距离,利用Chamfer距离变换获取跨摄像头行人的鲁棒空间距离并进行多距离融合;最后,利用融合距离进行行人重排序,并在当前流行的VIPeR和CUHK03公开数据集上进行实验。实验结果表明,所提出的算法有效地提高了行人再识别的准确率。