局部场电位和微分特性影响下神经元网络发放锋电位的检测

在利用多电极阵列(multielectrode arrays,MEA)记录离体培养海马神经元网络的电生理研究中,发现电极附近神经元群体同步放电形成了局部场电位(local field potential,LFP),同时细胞外记录信号为跨膜电压信号的微分,这些因素使检测网络发放的锋电位遇到困难。为正确检测锋电位(spike),在综合比较多种检测方法的基础上,提出一种改进的峰值检测法,以0.6ms为判决阈值,有效解决了原峰值检测法因滑动窗分界导致的重复检测。通过该方法检测发育成熟的网络发放的锋电位,虚警率和漏报率分别为:5%±1%和2%±1%,效果优于传统的阈值检测法。上述结果表明,改进的方法适合于神经元网络电活动的研究。     

数值分类在关中地区土壤分类中的应用

选取关中地区12个土壤剖面的15个理化指标,应用主成分分析方法和聚类分析方法对土壤进行了数值分类。研究结果表明,前4个主成分的累计贡献率达到86.41%,取阈值T=4.0,供试12个剖面划分为3类,不同类群之间土壤特性差异明显,类群内部土壤特性相似。数值分类结果与系统分类结果比较,虽然个别土壤的类别出现较大差异,但分类结果基本一致,说明数值分类应用于关中地区土壤分类是切实可行的。     

基于自校正回归神经元网络的预报建模

讨论了回归神经元网络（ＲＮＮ）的网络结构和基本实现方法，提出了主元分析（ＰＣＡ）和具有自校正功能的回归神经元网络相结合的非线性时变系统预报建模方法，并用于减压塔塔顶温度的预报．结果表明，该方法具有良好的预报性能．     

基于Softmax回归的电力仪表分类

智能电网中变电站的智能化。要求变电站能够智能检测并记录反映其运行情况的开关状态、电表数据。现有的方法多是通过获得电表的图片,针对图片分析其状态、数据。然而在分析具体电表数据之前,需要对图片进行分类,判断当前图片对应哪一种电表。基于Softmax回归的电力仪表分类正是为了解决这个问题而提出的分类方法。分为图片预处理、降维、Softmax回归模型的训练三个步骤。在真实变电站电力仪表图片组成的实验数据测试下,能够保持非常高的识别率,从而有效地解决这一问题。     

一种概率过程神经元网络模型及分类算法

针对动态信号分类及与先验类别知识融合问题,提出了一种概率过程神经元网络模型．模型将贝叶斯概率分类机制与过程神经元网络动态信号处理方法相结合,通过在前馈过程神经元网络中增加一个模式单元层,以及采用归一化指数类型激励函数,实现基于贝叶斯规则的动态信号分类．分析了概率过程神经元网络分类机制与贝叶斯分类规则的等价性,给出了具体的学习算法,实验结果验证了模型和算法的有效性．     

电子鼻用于检测掺假牛奶时其传感器阵列的优化

目前电子鼻在食品领域已有广泛的应用，由于气味组成成分复杂，仅用单个气体传感器是无法评定气体质量，因此气体传感器阵列应运而生。在对不同的食品进行检测时，电子鼻的传感器阵列的构成是不同的。本文运用PEN2便携式电子鼻对掺假牛奶进行检测，用方差分析、主成分分析和聚类分析对信号进行分析，得到由8个传感器组成的用于检测掺假牛奶的最佳传感器阵列。用这8个传感器组成的传感器阵列对掺假牛奶进行检测区分，结果用LDA方法 (线性判别式分析) 进行分析，在LDA分析图上，不同比例掺假的牛奶能被明显地区分。新的传感器阵列具有较少的传感器和与原传感器阵列相同的检测区分能力。     

基于多分类SVM的航空逆变器故障诊断

航空逆变器的可靠性对飞机供电系统的安全性和稳定性尤为重要,但当前对于航空供电器的故障诊断的研究较少,无法为航空逆变器提供有效保障。因此,提出基于多分类支持向量机的故障诊断方法,对航空逆变器的多种故障模式进行诊断。针对故障特征耦合性高的问题,采用主成分分析方法提取故障特征,获取低维度的关键特征。由于逆变器具有多种故障模式,且具有非线性的特点,故采用多分类支持向量机算法进行故障诊断。该算法具有极强的分类能力,是处理小样本、非线性问题的有力工具。实验结果表明,该算法模型可对航空逆变器多种工况条件下的15种故障模式进行有效诊断,并且方法诊断速度快,提高了航空供电系统的安全性。     

用于不平衡数据分类的FE-SVDD算法

现有的支持向量数据描述(SVDD)算法在解决不平衡数据集问题时通常存在有偏性。针对该问题,在研究PCA特征提取技术和SVDD分类理论的基础上,提出一种用于平衡数据分类的FE-SVDD算法。该方法对2类样本数据进行主成分分析,分别求出主要特征值,根据样本容量及特征值对SVDD中的 值重新定义。在人工样本集和UCI数据集上进行实验,结果验证了该方法的有效性。     

一种用于皮革纹理分类的神经元网络算法

本文提出了一种基于随机场特性的神经元网络算法,以实现皮革纹理图象的最佳分类。该算法包括SAR随机场自适应建模、聚类特征的最优统计度量、三层B-P神经元网络与知识学习机制四部分,有效地表达了基元非规则性强,聚类分离程度低和传统纹理分析技术不易描述的皮革纹理聚类特性,有助于系统对人类专家经验性知识的有效获取,已应用于羊皮皮革纹理的计算机辅助分类。     

WPCA-LDA:一种数据分类新方法

PCA（principal component analysis）是一种常用的特征提取方法,LDA（linear discriminant analysis）是一种常用的数据分类方法。然而,传统PCA投影数据没有区分数据的类标签,传统LDA投影数据没有消除数据间的相关性,分类效果都不理想。针对该问题进行研究,设计出了一种WPCA-LDA（weighted principal component analysis-linear discriminant analysis）分类方法。该方法首先对样本数据进行预处理,再运用数据中不同类别间的特征关系计算权值,对数据样本加权,之后用PCA进行特征提取,最后采用LDA方法对提取的特征分类。在Matlab仿真实验中,该方法能将六类样品清晰分开。实验结果表明：与传统的PCA、LDA和PCA-LDA分类方法相比,WPCA-LDA方法的数据分类效果更好。     

径向基函数网络在神经元锋电位分类中的应用及改进

提出了一种改进的基于径向基函数网络的锋电位分类方法。针对传统的径向基函数网络对叠加锋电位信号识别准确率不高的问题,将分段加权的思想引入了这种网络,同时实现了锋电位的分类和完全叠加信号的分离,并且有效提高了完全叠加波的识别准确率。最后用多组不同信噪比的实验数据验证了该方法。     

Sorting of neural spikes: When wavelet based methods outperform principal component analysis

Sorting of the extracellularly recorded spikes is a basic prerequisite for analysis of the cooperative neural behavior and neural code. Fundamentally the sorting performance is defined by the quality of discriminative features extracted from spike waveforms. Here we discuss two features extraction approaches: principal component analysis (PCA), and wavelet transform (WT). We show that only when properly tuned to the data, the WT technique may outperform PCA. We present a novel method for extraction of spike features based on a combination of PCA and continuous WT. The method automatically tunes its WT part to the data structure making use of knowledge obtained by PCA. We demonstrate the method on simulated and experimental data sets.     

基于主成分的模糊神经网络

结合神经网络(NN)、模糊控制(FC)和主成分分析(PCA)各自的优点,提出基于主成分分析的模糊神经网络(FNN)模型。当输入因子较多且自变量之间相关性较大时,引入主成分分析对多指标的原始变量进行事先分析,以原始变量的主成分作为网络输入。减少了输入维数,同时消除各变量间的相关性,从而提高了网络的收敛速度、稳定性,以及简化了网络结构。进一步发挥了FNN自适应、自学习的功能。     

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。     

主成分分析在网络流量异常检测中的应用研究

文章阐述了在网络流量异常检测中应用主成分分析的应用范畴、主成分分析的常用算法等主成分分析的方法,针对网络流量数据源特点设计出了符合大规模网络安全态势分析实际应用的异常检测算法,在对原方法进行了适当调整并建立模型的同时,着重论述了主成分分析方法的检测评估过程,并对主成分分析方法在网络流量异常检测中的应用作了比较详细的描述。     

BP网络模型对人脸朝向的识别

研究BP神经网络模型,通过计算机模拟人脑建立神经元网络,使用一部分人脸朝向信息作为训练的实例集,训练稳健后,可以推广应用判断其他人脸的朝向信息,以实现计算机自动识别人脸朝向。先对图片进行归一化等预处理,再应用主成分分析提取特征信息,每幅提取出的特征信息都是8个数据的列向量,构建一个8个输入、17个隐含、3个输出的三层BP网络模型。将训练实例集的特征向量代入训练,调整参数后保证其性能和收敛速度。最后通过大量实验验证,计算机识别的误判率仅为6.7%,模型可靠。     

主成分分析法神经网络及其在瑞培林片剂测定中的应用

介绍了主成分分析法神经网络的基本原理，对瑞培林片剂进行了测定，回收率令人满意，讨论了此法在复方制剂多组分同时测定中的优越性，并研究了网络拓扑结构、学习速率等对结果的影响。     

基于多遗传算法的BP神经网络人脸识别

人脸识别应用十分广泛,在实际问题中较高的识别率十分重要,其中BP神经网络模型广泛用于人脸识别.然而在现实应用中,BP神经网络结构和权值阈值的选取往往依靠经验值,这使得BP神经网络存在容易陷入局部最优和收敛速度慢等问题。针对该问题,提出了一种基于多遗传算法优化BP神经网络结构和权值阈值的人脸识别方法。利用主成分分析算法对人脸图像进行降维,快速独立成分分析算法对人脸图像进行特征提取,以组合算法的方式使得处理后的人脸图像特征更加明显。通过第一层遗传算法优化BP神经网络的结构,第二层遗传算法优化BP神经网络的权值阈值,以此解决BP神经网络陷入局部最优和收敛速度慢等问题。基于ORL人脸库进行仿真验证,实验结果表明该算法具有较高的识别率。     

基于BP网络软件质量度量模型

本文系统阐述了构造软件质量度量模型的理论背景与方法,在此基础上,根据神经网络技术的特点,在理论上分析了运用神经网络技术构造软件质量度量模型术的可行性,并通过实验说明了该方法的有效性。     

Ether-NBD:一种高效的集群网络存储软件

随着集群系统规模和性能的不断增加,网络存储软件在系统中所占的地位已经越来越重要。现今流行的网络存储软件如unh-iscsi、NFS等都不能满足大规模系统的性能要求。这篇文章将介绍专门为大规模集群环境而设计的网络存储软件Ether-NBD,并说明详细的设计和实现,通过比较证明Ether-NBD在性能上有显著的提高,能够更好地适应大规模的集群环境。