基于小波变换的脑电信号瞬态特征提取

本文探讨了利用小波变换对脑电信号瞬态提取的新方法.实验结果表明基于小波变换的脑电信号瞬态检测法能方便而有效地完成瞬态波形的检测与参数提取.     

融合小波包变换的一维ＭｏｂｉｌｅＮｅｔ癫痫脑电信号识别

针对目前传统神经网络内存需求大,运算量大,在移动端或嵌入式设备上运行困难等问题,提出了一种融合了小波包变换的轻量级卷积神经网络模型,用于癫痫脑电信号识别的研究。根据癫痫脑电信号的特性,首先采用小波包变换将脑电信号分成三个频段,然后运用改进的一维MobileNet训练、分类。同时引入超参数宽度因子α,通过改变宽度因子的大小以调整模型的深度。实验结果表明,当一维MobileNet模型的宽度因子α选取为0.75时,最终准确率达到100%,其模型的计算量和参数量分别为56.1M和1.24M。与现有的癫痫EEG信号识别方法比较,此模型在准确率、参数量、计算量方面均有不错的表现。     

脑电信号的小波变换和样本熵特征提取方法

针对现有的采用单一的特征提取算法对运动想象脑电信号识别率不高的问题,提出一种结合小波变换和样本熵的特征提取方法.通过小波变换,把脑电信号进行3层分解,抽取出对应于脑电β节律频带的小波系数的能量均值和能量均值差,并结合脑电信号的样本熵组成特征向量,使用支持向量机分类器对左右手运动想象脑电信号进行分类.结果表明,结合小波变换和样本熵的特征提取方法明显优于仅采用小波变换、样本熵以及其他传统的特征提取方法,得到的最高正确识别率为91.43%.     

基于极限学习机的蚜虫刺吸电位波形的分类识别

刺吸电位(Electrical Penetration Graph,EPG)仪是研究蚜虫取食行为、传毒机制等的有力工具,然而EPG波形的分类识别一直是靠人工进行,迫切需要波形自动识别来提高分析效率。采用了小波变换、希尔伯特-黄变换和极限学习机等算法对蚜虫EPG信号中7种波形的特征提取和分类识别进行了研究。实验中对不同特征向量的决策树分类性能进行了对比,发现分形盒维数、Hurst指数、HHT前2层谱质心、第2~3层低频小波能量组成的6维特征向量识别效果最好,平均识别率可达91.61%。采用该特征向量进入极限学习机时可以获得更好的分类性能,平均识别率为93.57%,相比前期研究提高了2.14%。实验结果表明本文提出的基于极限学习机的EPG波形分类识别方法具有较高的识别性能,为研发EPG波形自动识别分析系统奠定了理论基础。     

基于小波变换的肌电信号识别方法研究

针对肌电信号的非平稳特性,采用小波变换方法对表面肌电信号进行分析,提取小波系数最大值构造特征矢量输入神经网络分类器进行模式识别,经过训练能够成功地从掌长肌和肱桡肌采集的两道表面肌电信号中识别展拳、握拳、前臂内旋、前臂外旋四种运动模式。实验表明,基于小波变换的神经网络分类方法所需的数据短、运算快,对于肌电假肢的控制具有良好的应用前景。     

基于小波变换的脑电瞬态信号检测

在脑电（ＥＥＧ）信号分析与处理过程中,瞬态信号的检测和定位具有非常重要的实际意义,传统的瞬态脉冲检测方法是匹配滤波,但匹配波滤需要有关瞬态信号的先验知识,因而在实际应用中受一定的限制,本文用小波变换对含有瞬态干扰的脑电信号进行多尺度分解,在某些尺度下,瞬态信号特征得以明显增强,用简单的阈值比较就可以有效地检测并消除瞬态干扰,实验结果表是有,在缺乏先验知识的条件下,小波变换能有效检测出脑电信号中短时,低能量的瞬态脉冲。     

基于小波变换的心电信号降噪处理

实测的心电信号不可避免地存在一些强干扰和噪声,为了实现准确地提取反映心电信号的特征信息,该文应用一维离散小波变换实现了对心电信号的降噪处理。实验研究结果表明,该方法能够有效地去除心电信号中的噪声,从而为心电信号特征信息的提取奠定了理论基础。     

基于小波变换和极限学习机的网络流量预测模型

为了提高网络流量预测准确性,结合网络流量的变化特点,针对当前网络流量预测模型存在的局限性,设计了基于小波变换和极限学习机的网络流量预测模型。首先分析了当前国内外网络流量预测研究现状,找到引起网络流量预测准确性差的原因;然后采用小波变换对原始网络流量时间序列进行去噪,得到无噪声的网络流量时间序列;最后采用极限学习机对网络流量时间序列进行建模,得到相应的预测结果。与当前经典的网络流量预测模型在相同环境下进行对照测试,测试结果分析表明,小波变换和极限学习机的网络流量预测精度达到了95%以上,网络流量预测误差得到了有效的控制,而且提升了网络流量预测效率,预测结果要远优于当前经典的网络流量预测模型。     

基于分数阶傅里叶变换的运动脑电信号分类方法

运动想象脑电信号作为一种典型的非线性、非平稳信号,在传统基于单一特征提取的分类方法中难以取得理想的分类性能。针对该问题,将分数阶傅里叶变换(Fractional Fourier Transform, FrFT)引入到脑电信号特征提取过程中。首先利用FrFT对信号进行分析,在扩展特征域的同时从不同维度提取信号中的有用信息并构成特征向量,然后利用支持向量机(Support Vector Machine, SVM)分类器对所提取的特征向量进行分类,最后采用Graz数据开展实验。实验结果表明所提方法能够获得高达92.57%的正确分类结果,明显高于传统采用单一特征提取的分类方法。     

基于改进极限学习机的软测量建模

极限学习机（ELM）因其泛化能力好和学习速度快而成为软测量的新方法,但当应用到铝电解工艺参数建模时,ELM通常需要较多隐层节点并且泛化能力较低。针对这一问题,提出一种基于改进极限学习机（IELM）的软测量模型。首先,利用粗糙集中的约简理论剔除输入变量中的冗余或不相关属性,以降低ELM的输入复杂性;然后,利用偏相关系数对输入变量和输出变量间的相关性进行分析,将输入数据分为正输入和负输入两部分,分别对这两部分建立输入单元,重新构建ELM网络;最后,建立了基于改进极限学习机的铝电解分子比软测量模型。仿真实验结果表明,基于改进极限学习机的软测量模型具有较好的泛化能力和稳定性。     

基于改进极限学习机算法的股票价格在线预测

为了对股票价格进行准确、快速的在线预测,提出一种基于改进极限学习机算法（IELM）的股票价格在线预测模型。在极限学习机（ELM）中引入Cholesky分解方法,使网络权值随新样本的逐次加入递推更新,提高模型的泛化能力,加快网络学习效率,然后对交通银行股票（601328）的收盘价进行仿真实验。结果表明,相对于对比模型,IELM不仅提高了计算效率,而且提高了股票价格预测精度,可以实现股票价格快速、准确在线预测。     

基于不均衡样本重构的加权在线贯序极限学习机

针对现有学习算法难以有效提高不均衡在线贯序数据中少类样本分类精度的问题,提出一种基于不均衡样本重构的加权在线贯序极限学习机。该算法从提取在线贯序数据的分布特性入手,主要包括离线和在线两个阶段:离线阶段主要采用主曲线构建少类样本的可信区域,并通过对该区域内样本进行过采样,来构建符合样本分布趋势的均衡样本集,进而建立初始模型;而在线阶段则对贯序到达的数据根据训练误差赋予各样本相应权重,同时动态更新网络权值。采用UCI标准数据集和澳门实测气象数据进行实验对比,结果表明,与现有在线贯序极限学习机(OS-ELM)、极限学习机(ELM)和元认知在线贯序极限学习机(MCOS-ELM)相比,所提算法对少类样本的识别能力更高,且所提算法的模型训练时间与其他三种算法相差不大。结果表明在不影响算法复杂度的情况下,所提算法能有效提高少类样本的分类精度。     

面向贯序不均衡数据的混合采样极限学习机

针对现有机器学习算法难以有效提高贯序不均衡数据分类问题中少类样本分类精度的问题,提出一种基于混合采样策略的在线贯序极限学习机。该算法可在提高少类样本分类精度的前提下,减少多类样本的分类精度损失,主要包括离线和在线两个阶段:离线阶段采用均衡采样策略,利用主曲线分别构建多类和少类样本的可信区域,在不改变样本分布特性的前提下,利用可信区域扩充少类样本和削减多类样本,进而得到均衡的离线样本集,建立初始模型;在线阶段仅对贯序到达的多类数据进行欠采样,根据样本重要度挑选最具价值的多类样本,进而动态更新网络权值。通过理论分析证明所提算法在理论上存在损失信息上界。采用UCI标准数据集和实际的澳门空气污染预报数据进行仿真实验,结果表明,与现有在线贯序极限学习机(OS-ELM)、极限学习机(ELM)和元认知在线贯序极限学习机(MCOS-ELM)算法相比,所提算法对少类样本的预测精度更高,且数值稳定性良好。     

基于去噪自编码器的极限学习机

针对极限学习机算法（ELM）参数随机赋值降低算法鲁棒性及性能受噪声影响显著的问题，将去噪自编码器（DAE）与ELM算法相结合，提出了基于去噪自编码器的极限学习机算法（DAE-ELM）。首先，通过去噪自编码器产生ELM的输入数据、输入权值与隐含层参数；然后，以ELM求得隐含层输出权值，完成对分类器的训练。该算法一方面继承了DAE的优点，自动提取的特征更具代表性与鲁棒性，对于噪声有较强的抑制作用；另一方面克服了ELM参数赋值的随机性，增强了算法鲁棒性。实验结果表明，在不含噪声影响下DAE-ELM相较于ELM、PCA-ELM、SAA-2算法，其分类错误率在MNIST数据集中至少下降了5.6%，在Fashion MNIST数据集中至少下降了3.0%，在Rectangles数据集中至少下降了2.0%，在Convex数据集中至少下降了12.7%。     

自适应混沌粒子群算法对极限学习机参数的优化

针对极限学习机（ELM）在处理非线性数据时效果不理想,并且ELM的参数随机化不利于模型泛化的特点,提出了一种改进的极限学习机算法。结合自适应混沌粒子群（ACPSO）算法对ELM的参数进行优化,以增强算法的稳定性,提高ELM对基因表达数据分类的精度。在UCI基因数据集上进行仿真实验,实验结果表明,与探测粒子群-极限学习机（DPSO-ELM）、粒子群-极限学习机（PSO-ELM）等算法相比,自适应混沌粒子群-极限学习机（ACPSO-ELM）算法具有较好的稳定性、可靠性,且能有效提高基因分类精度。     

基于层次聚类和极限学习机的母线短期负荷预测

利用传统方法预测母线负荷时,通常选取离待测日相近的一段时间作为历史相似日进行模型训练,没有考虑其天气情况、星期类型、节假日等因素的影响,相似日与待测日特征相差较大。为解决以上问题,提出一种基于层次聚类（HC）和极限学习机（ELM）的母线负荷预测算法。首先使用层次聚类法将母线历史日负荷进行聚类,然后对层次聚类得出的聚类结果建立决策树,其次根据待测日的温度、湿度、星期和节假日类型等日属性在决策树中匹配出训练极限学习机预测模型的历史日负荷,最后建立极限学习机预测模型,对待测日母线日负荷进行预测。对两条不同母线的负荷进行了预测,与传统单一的极限学习机相比,所提算法的平均绝对百分比误差（MAPE）分别降低了1.4和0.8个百分点。实验结果表明,所提算法预测母线负荷具有更高的预测精度和稳定性。     

基于隐特征空间的极限学习机模型选择

针对极限学习机（ELM）中冗余的隐神经元会削弱模型泛化能力的缺点,提出了一种基于隐特征空间的ELM模型选择算法。首先,为了寻找合适的ELM隐层,在ELM中添加正则项,该项为现有隐层空间到低维隐特征空间的映射函数矩阵的Frobenius范数;其次,为解决该非凸问题,采用交替优化的策略,并通过凸二次型优化学习该隐空间;最终自适应得到最优映射函数和ELM模型。分别采用UCI标准数据集和载荷识别工程数据对所提算法进行测试,结果表明,与经典ELM相比,该算法可有效提高预测精度和数值稳定性,与现有模型选择算法相比,该算法预测精度相当,但运行时间则大幅降低。     

基于结构化遮挡编码和极限学习机的局部遮挡人脸识别

提出使用结构化遮挡编码（SOC）结合极限学习机（ELM）的算法来处理人脸识别中的遮挡问题。首先，使用SOC去除图像上的遮挡物，将遮挡物体与人脸分离开；同时，通过局部性约束字典（LCD）来估计遮挡物的位置，建立遮挡字典和人脸字典。然后，将建立好的人脸字典矩阵进行归一化处理，并利用ELM对归一化的数据进行分类识别。最后，在AR人脸库上进行的仿真实验结果表明，所提方法对不同遮挡物和不同区域遮挡的图像具有较好的识别率和鲁棒性。     

基于图像超分辨极限学习机的极低分辨率人脸识别

极低分辨率图像本身包含的判别信息少且容易受到噪声的干扰,在现有的人脸识别算法下识别率较低。为了解决这一问题,提出一种基于图像超分辨率(SR)极限学习机(ELM)的人脸识别算法。首先,从样本库学习耦合的高低分辨率图像稀疏表达字典,利用高低分辨率表达系数的流形一致性重建高分辨率图像;其次,在超分辨率重建的高分辨率(HR)图像上构建ELM模型,训练获得前向神经网络的连接权值;最后,通过ELM预测输入极低人脸图像的类别属性。实验结果表明,针对于重建后的极低分辨率人脸图片,与协同表示的分类(CRC)人脸识别算法相比,所提算法将识别率分别提升了2%;同时也大幅度缩短了识别的时间。结果表明所提算法能够有效解决极低分辨率图片判决信息不足的问题,具有较好的识别能力。