高光谱图像深度模糊核聚类的洋底锰结核识别

目的 海洋资源调查是海洋科学研究的重要组成部分，对于开发利用海洋资源、保护海洋环境有重要意义。将深海高光谱图像用于调查洋底锰结核资源，相比传统图像方法信息更为全面，识别更为准确。但是高光谱方法中用于有监督分类识别的分类器需要人工标定的标签，这在深海环境中是较为困难的。针对这一局限性，本文提出了一种融合深度网络与模糊核聚类的深度模糊核聚类（deep kernel fuzzy C-means，DKFCM）算法，实现对洋底锰结核高光谱图像的无监督聚类。方法 DKFCM由随机深度卷积网络（Rdnet）及改进的模糊核聚类算法两大模块组成。Rdnet通过降维、随机图块卷积及非线性激活操作的循环，实现对高光谱图像浅层及深层特征的提取，融合这两类特征作为后续聚类识别的输入。改进的模糊核聚类算法先用欧氏距离计算初始聚类中心，再用模糊核聚类的方法以实现海洋资源的准确分类。结果 实验结果表明，DKFCM无监督聚类能有效聚类洋底资源，对锰结核的聚类准确率达到76.59%，相比单用K-means聚类提高了20.99%，相比经Rdnet提取特征后再用K-means聚类提高了13.76%，对比实验表明DKFCM算法在无标签数据的情况下也能达到良好的准确率。结论 本文所提的高光谱深度模糊核聚类方法，实现了深海锰结核的无监督聚类，可以用于海洋资源量的评估。     

采用匹配滤波和ICA消除sEMG的工频干扰

设计了一种采用匹配滤波和独立分量分析消除表面肌电信号中工频干扰的新方法。采用匹配滤波可以有效判断表面肌电信号中是否含有工频噪声,从而避免不加区分地对表面肌电信号进行工频去噪。在确定含有工频噪声的前提下,采用独立分量分析,该方法不但能够有效地消除表面肌电信号中的工频噪声,且不会对表面肌电信号的其它频率成分造成明显的影响,取得了良好的工频去噪效果。这一设计思想在实际的表面肌电信号检测时取得了较好的实验结果。     

基于Fisher判别和GKF-RELM算法的多特征步态模式识别

为提高下肢表面肌电信号步态识别的识别精度和计算效率,采用一种基于高斯核函数优化正则化超限学习机(GKF-RELM)算法,对肌电信号提取时域、频域和非线性动力学三类特征并分别计算步态识别率,运用Fisher判别函数分析所提特征的可分性,得到多类特征的融合特征作为输入数据对分类器进行训练,再用训练好的分类器进行步态识别,从识别率和计算时间两方面,分别与支持向量机(SVM)和深度神经网络(DNN)方法进行了对比分析.结果表明,基于Fisher判别可分性指标确定的多类特征组合,能得到最优识别效果,并在提高分类精度的同时,优化了计算效率.此外,GKF-RELM方法的识别率也优于传统的ELM方法.     

基于粒子群优化-支持向量机方法的下肢肌电信号步态识别

为提高下肢表面肌电信号步态识别的准确性和实时性,该文提出一种基于粒子群优化(PSO)算法优化支持向量机(SVM)的模式识别方法。首先对消噪后的肌电信号提取积分肌电值和方差作为特征样本,然后利用PSO算法优化SVM的惩罚参数和核函数参数,最后利用步态动作的肌电信号样本数据对构造的SVM分类器进行训练、测试。实验结果表明PSO-SVM分类器对下肢正常行走5个步态的识别率,明显高于未经参数优化的SVM分类器,优化后平均识别率达到97.8%,并兼顾了分类的准确性和自适应性。     

基于感兴趣脑区LASSO-Granger因果关系的脑电特征提取算法

该文将脑功能网络引入到脑电特征提取的研究中,提出一种基于感兴趣脑区LASSO-Granger因果关系的新方法,克服了当前基于孤立脑区的研究方法的不足。先利用主成分分析提取各感兴趣区的最大主成分,然后计算它们之间的LASSO-Granger因果度量,并将其作为特征向量,最后输入支持向量机分类器,对BCI Competition IV dataset 1中的4组数据进行分类识别。结果表明,基于感兴趣脑区间LASSO-Granger因果关系分析和支持向量机分类器的方法对不同的运动想象任务识别率较高,提供了新的研究思路。     

基于sEMG的行走步态非均匀特性及其对识别的影响

人体生理特性和运动特性是影响步态识别的重要因素。利用实验采集的下肢表面肌电信号,首先对肌电信号进行小波消噪及特征提取,然后构造支持向量机分类器进行分类与识别,并针对步态周期数据的非均匀性（非等时性）特性进行了详细讨论。结果表明,即使在匀速行走条件下,人体步态周期仍然存在一定的非均匀特性,且这一特点会影响步态识别的准确性。这对于进一步研究步态稳定性和步态识别率等具有一定的参考价值。