基于新进化优化BP学习算法的心音识别方法

为提高人工智能辅助诊断心音识别的准确率, 根据心音信号的周期性特点, 提出以快速主成分分析算法对心音信号降维和提取特征, 同时基于单形进化算法, 优化BP神经网络学习算法的输出与期望的误差函数, 以改进BP神经网络的学习性能, 实现对心音信号高准确度的分类识别. 针对正常心音及8类异常心音信号进行性能分析与测试, 实验结果表明, 各类心音的平均识别率为95.96%, 改进算法比其他对比算法识别率分别提高了4.9%,3.9%,1.9%, 表明该算法能更有效地分类识别心音信号, 提高人工辅助诊断的识别率.     

改进粒子群优化BP神经网络的心理压力识别算法

为提高心理压力的识别率,提出一种改进的粒子群优化BP(back propagation)神经网络的压力识别算法。该算法在基本粒子群(particle swarm optimization,PSO)模型的基础上,引入了收缩因子,在收缩因子的作用下,使速度的边界限制消失,选取适当的参数来保证PSO算法的有界和收敛特性,实现对BP神经网络的优化。利用心算任务进行压力诱发,采集高压、低压状态下的心电信号,提取了与心理压力相关的心率变异性特征值,并对特征数据对比分析;建立了心理压力程度的分类模型,通过改进的PSO模型优化BP神经网络以识别心理压力。结果表明:改进的粒子群优化BP神经网络算法与BP神经网络相比收敛速度快、误差小且识别率高,该算法对心理压力的识别率可达94.83%,识别效果优于未优化的BP神经网络算法。     

基于聚类与神经网络的无线通信联合调制识别新方法

针对现有基于聚类算法的信号调制识别在低信噪比时识别率低的缺点,文中采用聚类算法提取信号特征参数,通过变梯度Polak-Ribiere BP修正算法对神经网络进行训练,以提高收敛速度,改善在低信噪比条件下网络识别性能,实现对基于星座图调制方式信号的调制识别,仿真结果表明,在低信噪比条件下,调制识别率和单独采用聚类算法或基于BP算法的神经网络识别时比较提高30%以上,在信噪比为4d B条件下识别率可达到90%,且系统易于实现,在信号调制识别中具有广泛的应用前景。     

基于密集连接机制的无线信号调制识别

为提高复杂信道环境下无线通信系统对调制信号的检测识别能力,以及针对当前调制识别方法存在的模型复杂、计算量大、输入数据特征不完备等问题。提出一种改进的深度学习算法模型,对真实无线环境下的9种常见调制信号进行识别研究。该算法通过对原始的同相正交(in-phase quadrature, IQ)数据进行幅度相位计算,以此增加模型输入数据的特征信息,采用改进的密集神经网络(dense neural network, DenseNet)对常见调制信号进行识别分类。实验结果表明：在相同的训练数据样本中,相比其他深度学习调制识别算法,改进算法性能最优。在信噪比为0时,DenseNet平均识别率达到84.6%。改进的IQ输入数据明显提高了无线信号的检测识别率,在信噪比为-10 dB和-5 dB时,调制信号的识别率提高了10%。     

基于RBF神经网络的冠心病识别模型

RBF神经网络是前馈神经网络研究中的一个热点.对RBF神经网络的网络结构、基本原理和学习算法进行了介绍.针对BP神经网络自身的缺陷,提出以RBF神经网络为识别模型,采用最近邻聚类学习算法,建立一种冠心病模式识别诊断系统.仿真实验表明,该模型可快速完成对冠心病样本的学习与拟合,具有预测识别率高的优点,可作为该病诊断的一种有效的辅助手段.     

基于变值逻辑与深度学习模型的心音分类研究

针对目前心音分析算法识别率不够高的问题,提出了一种基于变值逻辑模型的先心病心音分类算法.首先,对心音信号进行预处理,去除非病理性噪声并提取心音包络;然后,对心音信号的包络数据进行变值逻辑运算,对包络数据进行标记将其转换为伪DNA序列,并转换为可视化分析的测度数据;最后,使用Inception_Resnet_v2等深度学习模型对常见先心病心音信号进行多分类测试,并与其它已有的算法进行对比.研究所用的正常和异常心音样本共1 000例,其中在测试集上进行多分类的平均准确率为0.931.实验结果表明,该算法优于目前已有的几种算法,有望用于先心病初诊的机器辅助诊断.     

基于小波包神经网络分析的滚动轴承故障诊断

针对轴承故障识别率低、故障信号不平稳的问题,提出了改进小波包能量特征提取和神经网络的故障诊断方法.首先利用改进小波包算法将轴承内圈、外圈、滚动体三个部位的采集信号进行三层分解与重构;然后通过小波包能量谱提取不同节点能量,形成故障特征集;最后依次建立BP和Elman神经网络故障分类模型,将所得的小波包节点能量作为特征向量输入到故障模型,进行轴承不同故障状态的分类识别.实验结果表明,本文算法可准确分类并预测轴承运行状况,提高了诊断准确率.     

基于改进神经网络的自动调制识别研究

自动调制识别技术可以用于排除通信系统中的非法用户及其干扰,是保证合法通信的关键措施之一.选取了几种典型的调制方式MFSK,MASK,BPSK,QPSK,OFDM,通过分析其时域特征,提取了反映调制类型显著差异的5个特征参数的新组合.为了克服标准BP算法收敛速度慢且存在多个局部最小点等缺陷,采用改进的弹性BP算法,从提高收敛速度和网络识别性能出发,构建了有效识别调制信号的弹性BP神经网络分类器.仿真结果表明,与基于决策理论的逐级判决调制识别方法相比,所设计的弹性BP神经网络分类器在SNR=0～20dB时对以上的调制方式均具有较高的识别率,即使在SNR=0 dB时也达到了95%以上的识别率.     

基于PCANN的BP神经网络话者识别系统

本文利用主分量神经网络分析法(PCANN)和反向传播神经网络,提出了一种具有较强自适应性和较高识别率的说话人识别方法.在此算法过程中,主分量分析法主要是对语音信号的原始特征作分析以得到更好的特征参数;BP神经网络则是作为一个分类器对说话人进行分类.文章将主分量分析与BP神经网络相结合,提高了识别的正确率,增强了系统抗噪声能力,减少了训练时间和计算量,同时简化了网络结构.     

基于人工神经网络的手写阿拉伯数字识别

本文讨论了人工神经网络在手写数字识别中的应用,针对手写体数字的结构特点,采用改进的BP学习算法进行识别.建立了基于神经网络的手写数字模式识别系统,并用Matlab仿真进行结果分析,该系统识别率为70%.     

基于ECG信号和体动信号的睡眠分期方法研究

为了研究整夜睡眠状况和睡眠过程, 利用多导睡眠仪(polysomnography, PSG)和体动记录仪, 分别记录被试的ECG信号和体动信号, 再对 ECG信号提取心率变异性(heart rate variability, HRV)的特征值, 并将其作为实验数据的特征参数。为了提高识别率和防止过度拟合, 将实验数据分为训练集和测试集, 设计一个用遗传算法改进的BP神经网络模型, 对样本进行训练和预测。研究结果表明, 改进的BP神经网络能有效地识别测试样本, 综合识别准确率为86.29%。将检测ECG信号和体动信号的穿戴式设备与睡眠分期识别算法相结合, 能够用于家庭睡眠监测, 也可作为睡眠疾病的初筛方法。     

面向多场景的环境异常声音识别

随着人工智能和大数据的发展,各种场景中对异常声音识别的需求日益增长,基于人工智能的声音识别技术正在兴起并被高度重视。现行主流的异常声音识别算法多为浅层机器学习模型结构,对异常声音的识别率较低,且识别的声音类型单一。为了有效识别异常声音,提出一种基于梅尔频率倒谱系数(Mel-frequency cepstral coefficient, MFCC)和卷积神经网络(convolution neural network, CNN)的环境声音识别算法,对各类异常声音进行采集和有效识别,并及时反馈声音状态,为各类声识别应用场景提供精细化管理技术手段。结果表明：提出的算法对5类场景下环境异常声音的识别率得到极大提高,适用于更广泛的声学场景,具有明显的优势。     

液压泵故障诊断稀疏编码方法研究

针对液压泵故障特征难以提取、诊断过程复杂、自动化程度低等特点,将稀疏编码方法应用于液压泵故障诊断.通过对液压泵泵壳处振动信号进行时频域变换,将变换后的信号作为样本,采用K-SVD算法对训练样本进行字典学习以获取字典,利用正交匹配追踪算法对测试信号进行分解与重构,通过不同类别字典对测试信号的重构率大小进行故障种类识别,实现液压泵故障分类.通过试验验证并与BP神经网络、支持向量机对比,结果表明稀疏编码方法具有对故障识别速度快、准确率高、稳定性好等优点,可以有效地实现对液压泵故障的诊断.      

基于高斯混合模型的心音信号识别

为了准确区别各种心音信号, 获得更理想的心音识别效果, 提出一种基于高斯混合模型(GMM)的心音信号识别模型. 首先采用小波变换对原始心音信号进行去噪处理, 消除噪声对心音信号特征提取的干扰; 然后对心音信号进行特征提取, 并采用高斯模型构建心音信号分类和识别模型; 最后采用心音信号数据对模型的性能进行验证. 结果表明, 该模型的心音信号平均识别率超过95%, 且心音信号识别结果优于其他模型.     

自适应学习速率法在变压器故障诊断中的应用

为了提高电力变压器故障诊断的准确率,针对油中溶解气体分析,提出了一种基于误差自动调节修正因子的自适应学习速率法,使神经网络通过自身的误差变化过程自动调整学习速率修正因子,保证网络总是以最大的可接受学习速率进行训练,从而提高网络收敛速度。针对电力变压器故障气体及故障类型的特点,建立了电力变压器故障诊断BP(Back-Propagation)网络模型,应用该算法和原算法对该故障诊断网络模型进行训练。仿真结果表明,该算法的训练次数减少了35.4%,收敛速度提高了44.9%,有效地改善了网络模型的性能。将该算法应用于电力变压器故障诊断,能较为精确地判断出电力变压器的故障类型,故障诊断准确率达90.8%。     

基于改进卷积神经网络与动态衰减学习率的环境声音识别算法

环境声音识别在音频检索、监控方面有着广泛的应用,是听觉识别任务中的一个热门研究领域。但由于其声音信号的复杂多变,使得该任务在识别率提升方面依然面临许多挑战。针对这一问题本文提出了基于改进卷积神经网络的环境识别模型（S-CNN）,该模型采用反复堆叠的递减型卷积核提取不同尺度的局部特征,并在每层卷积层后采用Batch Normalization（BN）层对特征进行归一化操作。同时,利用动态衰减的学习率训练模型,以提高模型收敛速度与收敛稳定性。实验结果表明,相比于传统的机器学习与卷积神经网络模型,本文所设计的改进卷积神经网络模型S-CNN具有更好的识别率。在ESC-10环境声音数据库上,识别精度达到91.3%。