基于小波包分解的精神分裂症脑电信号分析

本文针对脑电信号的非平稳性,引入小波包分解理论研究精神分裂症脑电.根据脑电信号的不同节律特性,提出应用小波包分解构造不同频率特性的滤波器,提取脑电信号不同节律的动态特性,并由此构造各种节律的动态脑电地形图.为了研究精神分裂症脑电信号各种节律的动态特性,文中对正常人和精神分裂症病人的临床脑电数据进行分析与比较,分析两组脑电信号各种节律的动态特性.实验结果表明,精神分裂症病人在无负荷静卧闭眼清醒状态下α节律与正常人有明显的差异.     

基于小波包变换对脑电信号的分析和处理

本文提出从时变非平稳脑电信号中提取脑电动态节律的新方法.用小波包分解构造不同频率特性的时变滤波器,以提取各种时变的脑电节律来研究临床脑电信号瞬时变化.在此基础上测试并分析了不同节律波的能量关系,求得能量分布的动态曲线.实验结果表明,小波包分解可以有效提取脑电中不同节律的动态特性,此方法也适用于分析其他生物医学信号.     

基于多小波包系数熵和人工神经网络的输电线路故障类型识别方法

基于多小波包分解系数和信息熵的概念定义了多小波包系数熵的表达式,并提出多小波包系数熵和人工神经网络相结合的输电线路故障类型识别方法：首先对不同故障工况下采集的故障电流信号进行适当的多小波包分解,计算各频带的系数熵;然后构造多小波包特征向量,将这些向量作为训练样本对径向基函数(radial basis function,RBF)神经网络进行训练;当输电线路发生故障时,将提取的故障电流信号的多小波包系数熵特征向量输入训练好的RBF神经网络,即可实现故障类型的识别。仿真结果表明采用多小波包提取的故障电流特征量比采用传统小波包提取的特征量信息更丰富,对人工神经网络的训练效果更好,网络识别精度具有明显优势。     

基于小波包的锅炉炉管声波信号自适应压缩感知

在锅炉炉管泄漏声波自动报警系统中,针对声波信号在采集、传输、处理与存储过程中存在数据规模大、传输带宽高和所需存储量大等问题,提出基于小波包的锅炉炉管声波信号自适应压缩感知方法。首先采用小波包分析方法对炉管声波信号进行多尺度分解,计算各尺度下小波包系数的数学期望,并将其作为阈值,对小波包系数进行置零处理,根据各分解尺度下的稀疏度自适应地选择最优小波包分解层数;然后对最优分解层数下的各小波包系数块按照其数学期望和信息熵进行分类,并对分类后的各小波包系数块采用不同方法进行处理。实际应用结果表明,本文方法有效减少了炉管声波信号的观察数据,提高了信号压缩率,并在相同观察次数下,降低了信号的传输带宽和存储容量,提高了信号的处理速度和重构精度。     

自发脑电信号的支持向量机分类算法

针对自发脑电信号的特征分类,将基于支持向量机(SVM)的算法应用于脑机接口(BCI)系统,提出一种基于自适应遗传算法优化SVM模型参数的脑电信号分类算法,获得最佳的分类性能。以基于小波包分解得到的系数均值和子空间能量作为特征向量,利用BCI 2005data setⅢb标准数据分析了该方法的实验背景和理论依据,并与基于经验SVM的分类结果、基于普通遗传算法优化SVM参数的分类结果、基于概率神经网络的分类结果以及竞赛的最好精度进行了比较,表明所提出方法运用在实际系统中的有效性和优越性。     

基于提升小波包最优基的电能质量数据压缩

在小波压缩技术的基础上,使用提升小波包最优基的方法解决电能质量信号的数据压缩问题。利用先分解后搜索的提升小波包最优基分解信号,再对最优基下小波包系数作阈值处理,消除幅值较小的系数,达到压缩的目的,最后对压缩后的数据进行重构,并将其与小波变换、最佳小波包变换的数据压缩方法进行仿真比较。结果证明,提升小波包最优基变换的方法．在电能质量数据压缩中取得了满意的效果。     

基于小波包变换的电能质量扰动数据压缩

正交小波包变换可以对信号进行多频带分解，并根据被分解信号的特征，自适应地选择相应的频带，弥补正交小波变换的不足。将正交小波包变换与门限阀值相结合，应用于电能质量扰动数据压缩，并对其中最佳小波包的选取、门限阀值确定、算法实现等问题进行了讨论。对用电消耗信号、电压间断信号及暂态谐波失真信号进行了压缩仿真，并比较了这些信号在不同分解层次和门限限定系数取值时的压缩效果，结果验证了该方法的可行性和有效性。     

脑-机接口及其应用研究

主要研究脑-机接口的定义、基本构成、应用领域及其发展前景,以及提出并实现了1套完整可行的脑-机接口系统应用方案——基于稳态视觉诱发电位的脑-机接口控制系统设计与实现.系统搭建在LabVIEW平台上,利用LabVIEW的小波包信号分解和重构模块,实现对稳态视觉诱发电位的有效提取.系统的功能是利用脑电信号进行任务选择和对图...     

基于小波包能量熵与SVM的模拟电路故障诊断

提出1种小波包能量熵与支持向量机结合的模拟电路故障诊断新方法。首先对待测电路的输出电压信号进行多层小波包分解,然后对分解信号进行单支重构,并对重构系数求取小波包能量熵,形成故障诊断的特征向量。将特征向量输入支持向量机,通过选取恰当的核函数与多分类方法,对支持向量机进行训练,建立故障模式分类器,并在不同故障模式下对样本数据进行测试。仿真结果表明该方法能达到较高的诊断正确率。     

基于小波包分解和支持向量机的局部放电识别方法研究

高压开关柜发生局部放电时产生的信号中存在着大量的信息,局部放电作为开关柜绝缘故障的重要征兆及表现方式,其类型的识别对于开关柜绝缘状态的评估具有重要的意义。为了准确地识别高压开关柜局部放电类型,提出了一种基于小波包分解和支持向量机(SVM-Wavelet)的局部放电识别方法,采用小波包分解的方法对局部放电信号进行分解并提取能量信息,组合成特征向量,在此基础上利用支持向量机(SVM)建立高压开关柜局部放电信号分类模型。结果表明小波包分析方法能很好地处理非线性、非平稳的局部放电信号,基于SVM-Wavelet的方法可以准确地识别局部放电类型。     

An effective wavelet-based feature extraction method for classification of power quality disturbance signals

This paper presents a wavelet norm entropy-based effective feature extraction method for power quality (PQ) disturbance classification problem. The disturbance classification schema is performed with wavelet-neural network (WNN). It performs a feature extraction and a classification algorithm composed of a wavelet feature extractor based on norm entropy and a classifier based on a multi-layer perceptron. The PQ signals used in this study are seven types. The performance of this classifier is evaluated by using total 2800 PQ disturbance signals which are generated the based model. The classification performance of different wavelet family for the proposed algorithm is tested. Sensitivity of WNN under different noise conditions which are different levels of noises with the signal to noise ratio is investigated. The rate of average correct classification is about 92.5% for the different PQ disturbance signals under noise conditions.     

Wavelet Packet Entropy and RBFNN Based Fault Detection,Classification and Localization on HVAC Transmission Line

The article presents a technique for fast and accurate detection, classification and localization of faults on the high voltage transmission systems considering the alternator's dynamics and the effect of transformers. The systems have been simulated by ATP/EMTP software and three phase fault currents at one end of the transmission line are recorded with a sampling frequency of 50 kHz. The fault signals are decomposed by wavelet packet decomposition (WPD) up to 3^rd level with mother wavelet db6 to calculate wavelet packet entropy (WPE) which has the ability to measure the uncertainty of fault signals during feature extraction. A properly designed radial basis function neural network (RBFNN) trained with these features can recognize, classify and locate faults faster as it utilizes only half cycle data after fault initiation. This technique has been verified for different fault categories, fault impedances and fault inception angles (FIA) at different locations for two different transmission systems. The investigated results demonstrate that the wavelet packet entropy is very powerful for extracting the features from the fault signals and RBFNN is very accurate for classification and localization of faults on the transmission line including locations close to the generator's end.     

汽车雨刮电机电磁干扰特征提取方法

针对汽车内部严重的电磁兼容问题,需要对车内电磁干扰源进行准确的分析.采用小波变换方法对汽车雨刮电机干扰信号进行多尺度分解,利用分解得到的各高频子带的小波系数特点,提出了小波域内突变参数和不平衡参数的计算方法,分并且提取各小波系数的累积能量参数、突变参数以及不平衡参数,并与重构后的各层细节信号的波形特征作了对比分析.结果表明,小波系数的累积能量参数、突变参数和不平衡参数能够准确描述原始信号中不同成分信号的特征,对电磁干扰源的识别和分类具有指导价值.此外,这种方法对其他电磁干扰信号的特征提取具有参考价值.     

基于小波特征提取与深度学习的微电网故障诊断与分类方法

针对现有微电网（MG）故障诊断准确率不高,分类精度不理想等问题,提出了一种基于小波特征提取与深度学习的微电网故障诊断与分类方法。首先,采用最大重叠离散小波变换（MODWT）和母小波提取MG电力信号特征,并进行三级分解,以获得高精度的信号特征提取。然后,利用长短期记忆网络优化深度Q网络,构建深度循环Q网络（DRQN）,更好地分析复杂数据且克服噪声的干扰。最后,将MODWT每个分解层次上的信号分量能量输入DRQN,实现故障的诊断和分类。基于MATLAB环境搭建MG系统仿真模型对所提方法进行实验论证,结果表明使用高采样频率和电流、电压信号时,诊断性能最佳,分类准确率超过91%。同时,所提方法在11种故障类型和4种场景下的分类准确率均超过90%,优于其他对比方法。     

心电图ECG信号自动检测特征提取方法研究进展

心电图特征参数特征提取技术是人体信号智能化检测领域研究热点之一。论文从差分阈值、模板匹配、小波变换、神经网络等多种特征提取法系统评述常见心电图特征参数自动化检测提取方法,阐述各种方法机理、主要研究应用方向及特点,总结分析指出各方法在不同应用场景下的优缺点。其中神经网络特征提取法准确性高、鲁棒性好,是心电图特征参数提取研究趋势及热点,后续可将神经网络深度学习、自学习与差分阈值、模板匹配、小波变换等特征提取方法相结合,实现更高要求的复杂心电图特征参数检测。     

基于BP神经网络的运动想象脑电信号分类研究

运动想象脑机接口因具有更大的自主性、灵活性,在脑机互联领域得到了广泛应用,相比较其它范式分类准确率偏低,限制了其发展。本文利用时频图谱、脑地形图两种特征分析方法对上肢运动想象脑电信号进行了特征分析,并采用滤波器组共空间模式(filter bank co-space,FBCSP)特征提取算法对上肢运动想象信号数据进行了特征提取,再将提取结果分别利用支持向量机（support vector machine,SVM）算法、K-最近邻(K-Nearest Neighbor)算法、反向传播（back propagation,BP）神经网络三种分类算法进行分类,研究结果发现SVM算法、KNN算法、BP神经网络算法应用在上肢运动想象脑机接口系统的平均分类准确率分别为76.45%、74.55%、81.70%,BP神经网络算法相比SVM算法、KNN算法在上肢运动想象任务的分类准确率上分别高出了5.25%、7.15%,并且t检验后得到分类准确率均具有极显著的统计学差异,并利用ROC曲线和AUC值检测了分类器效果,BP神经网络的AUC值相比SVM算法、KNN算法也分别提升了0.1226、0.1285,表明BP神经网络分类算法相比较SVM算法、KNN算法更适用于上肢运动想象脑机接口系统,提高了系统的分类准确率,推动了上肢运动想象脑电信号实际应用的发展进程。     

基于支持向量机和小波包能量特征的气液两相流流型识别方法

支持向量机（SVM）是一种基于统计学习理论（SLT）的机器学习算法,它能在训练样本很少的情况下得到很好的分类效果,从而为流型识别技术向智能化发展提供了新的途径.该文提出了应用支持向量机和小波包能量特征的流型识别方法.将压差波动信号小波包分解后的频带能量作为支持向量机的输入特征向量,并对水平管内空气-水两相流的流型进行了识别.试验结果表明：与BP神经网络相比,采用支持向量机进行流型识别可以获得更高的识别率,表明该方法是有效、可行的.     

基于RLMD与BAS-BP的柴油机故障诊断研究

为了提高柴油机水泵盖体故障信号的特征提取能力,快速有效地诊断出故障类型,提出了鲁棒的局部均值分解算法（RLMD）与天牛须算法（BAS）优化的BP神经网络相结合的故障诊断方法。首先,对采集的信号序列进行小波阈值和RLMD双重降噪,再根据斯皮尔曼相关系数筛选出与原信号相似度高的信号分量（PF）;然后,求出每个分量的小波能量熵、小波奇异值熵作为故障特征;最后,利用BAS优化的BP神经网络进行故障诊断和识别。同时,与GA-BP、PSO-BP优化的神经网络相比较。结果表明：BAS-BP在各方面都优于PSO-BP、GA-BP神经网络,且BAS-BP的故障分类准确率可达到98.90%。     

Utilizing gamma band to improve mental task based brain-computer interface design.

A common method for designing brain-computer Interface (BCI) is to use electroencephalogram (EEG) signals extracted during mental tasks. In these BCI designs, features from EEG such as power and asymmetry ratios from delta, theta, alpha, and beta bands have been used in classifying different mental tasks. In this paper, the performance of the mental task based BCI design is improved by using spectral power and asymmetry ratios from gamma (24-37 Hz) band in addition to the lower frequency bands. In the experimental study, EEG signals extracted during five mental tasks from four subjects were used. Elman neural network (ENN) trained by the resilient backpropagation algorithm was used to classify the power and asymmetry ratios from EEG into different combinations of two mental tasks. The results indicated that ((1) the classification performance and training time of the BCI design were improved through the use of additional gamma band features; (2) classification performances were nearly invariant to the number of ENN hidden units or feature extraction method.     

基于离散小波变换的卷积自编码运动想象脑电信号的分类

左右手运动想象脑电信号(MI-EEG)分类准确率低,制约了相关脑-机接口技术的发展。实验采集了16名健康受试者的运动想象脑电信号,提出了一种基于离散小波变换(DWT)和卷积自编码(CAE)的运动想象脑电信号分类算法。利用离散小波变换将EEG转换成时频矩阵,输入到卷积自编码网络中进行脑电信号的特征分类。该算法在实验数据集和公开数据集上测试都得到了较好的分类结果,静息-想象左手、静息-想象右手、想象左手-想象右手3组EEG在实验数据集上分类准确率分别为97.36%、97.27%、86.82%,在公开数据集上分类准确率分别为99.30%、98.23%、92.67%。离散小波变换结合卷积自编码网络模型在左右手运动想象脑电信号分类应用中比其他深度学习方法(CNN、LSTM、STFT-CNN)性能更优。