基于单个时滞非线性神经元结构储备池的波形识别

采用单个时滞非线性神经元结构储备池对不同波形进行识别,研究虚节点个数、反馈强度、输入增益等参数和输入端信噪比对波形识别计算的影响.以方波、正弦波、三角波的识别为任务进行了仿真实验,结果显示:储备池虚拟节点个数为100时最佳;反馈强度和输入增益的参数值分别为0.8和2.2时,储备池的计算性能最佳;在输入端人为加入适度的噪声可降低识别误差,有利于提高波形识别精度.     

基于线性耦合储备池计算的电机系统混沌预测研究

为了解决永磁同步电机混沌时间序列预测的问题，本文提出2个线性耦合的储备池计算模型。通过寻求2个储备池计算中的最佳耦合系数，根据目标系统的时间序列数据能够预测目标系统的混沌行为，而达到预测精度更高，预测时间更长的效果。以永磁同步电机为研究对象，证明了线性耦合储备池计算在耦合系数α=0.803时，预测效果最优秀，误差Δ=9.14×10^-4。     

基于回声状态网络优化的宽间隔混沌跳频码预测研究

传统宽间隔混沌跳频码预测方法无反馈结构,记忆能力差;且训练过程烦琐,泛化性能差,对预测精度产生不好的影响。为此,提出一种新的基于回声状态网络优化的宽间隔混沌跳频码预测方法。设计回声状态网络,其由输入层、递归层以及输出层三个部分构成。在递归层内部各神经元间引入连接权值稀疏矩阵,使递归层内部存在动态记忆。回声状态网络储备池规模、储备池内部连接权谱半径、储备池稀疏度、储备池输入单元尺度对宽间隔混沌跳频码预测准确性产生不同的影响。通过和声搜索方法对四种储备池参数进行优化,实现回声状态网络的改进。确定优化回声状态网络输入输出数据,建立优化回声状态网络。确定储备池参数,通过训练数据激活储备池,计算回声状态网络输出连接权矩阵,对宽间隔混沌跳频码进行预测。实验结果表明,所提方法预测结果可靠,和其他方法相比有很高的预测精度。     

基于回声状态网络优化的宽间隔混沌跳频码预测

传统宽间隔混沌跳频码预测方法无反馈结构,记忆能力差;且训练过程烦琐,泛化性能差,对预测精度产生不好的影响。为此,提出一种新的基于回声状态网络优化的宽间隔混沌跳频码预测方法。设计回声状态网络,其由输入层、递归层以及输出层三个部分构成。在递归层内部各神经元间引入连接权值稀疏矩阵,使递归层内部存在动态记忆。回声状态网络储备池规模、储备池内部连接权谱半径、储备池稀疏度、储备池输入单元尺度对宽间隔混沌跳频码预测准确性产生不同的影响。通过和声搜索方法对四种储备池参数进行优化,实现回声状态网络的改进。确定优化回声状态网络输入输出数据,建立优化回声状态网络。确定储备池参数,通过训练数据激活储备池,计算回声状态网络输出连接权矩阵,对宽间隔混沌跳频码进行预测。实验结果表明,所提方法预测结果可靠,和其他方法相比有很高的预测精度。     

神经网络自适应共振理论应用于心电图QT间期自动检测的研究

介绍一种利用改进的ART(自适应共振理论 )人工神经网络检测心电图QT间期的方法 .用经过训练的ART网络对心电波形进行分类和识别 ,较准确的测出T波终点位置 ,从而提高QT间期检测的正确率 .该算法在一定程度上模拟了心电专家手工测量QT间期的过程 ,用于检测包括MIT心律失常数据库 (MIT/BIHArrhythmiaDatabase)在内的共近千个心跳波形 ,并以两位心电手工测量结果作为标准数据进行对比 .对比结果显示 ,我们的算法对单路心电波形自动检测的准确度与通常手工测量具有可比性 ,充分体现了人工神经网络的优越性 ,在要求自动检测大量数据的场合具有显著的应用价值 .     

环链耦合非全同混沌激光器阵列中的同步

研究了由Lorenz-Haken方程所描述的混沌激光器阵列的动力学同步行为.通过对单向耦合环形激光器阵列系统Lyapunov指数谱的计算发现,环行阵列激光器间出现的间隙性位相同步、混沌位相同步、不等幅混沌旋转波、不等幅准周期旋转波、不等幅周期旋转波等各种不同动力学行为分别对应不同的Lyapunov指数谱.特别是出现了环链耦合系统的横向Lyapunov指数为负的不同耦合参数区域,在这些区域内,环上激光器的不同动力学波将在链上做空间周期性同步传输,且随着链上激光器数目的增加,不同步瞬态时间也随之增加.     

长短期记忆网络预测混沌时间序列

近年来,深度学习技术的快速发展推动了机器学习的广泛应用.其中,储备池计算(Reservoir Computing)方法由于在混沌时间序列预测方面的卓越效果而受到了越来越多的重视,形成了一个新的研究热点.本文以传统的长短期记忆网络(LSTM)和全连接层作为模型的基础,构建了基于循环神经网络的LSTM学习机.在仿真实验中,我们以平均有效预测时间作为度量指标,使用模型对洛伦兹系统的状态变量进行预测,并针对混沌系统特殊的动力学性质,为模型搭配了四项策略来辅助预测.结果表明, LSTM学习机搭配合适的组合策略,其预测能力也能达到与储备池计算相比拟的效果,且模型复杂度更低.因此,储备池计算并没有超越于传统方法的绝对优势,这启发我们通过进一步研究学习机预测时间序列的机制和方法,寻找更加有效的时间序列预测学习机.     

基于高斯混合模型的标准心电波形筛选

针对基于心电信号身份识别中,由于随机选取的心电波形不完整(如T波缺失、R波缺失等)、变形等而影响身份识别准确率的问题,提出基于高斯混合模型的心电波形筛选方法.该方法将信号发生器产生的标准的心电信号切割成单心动周期,提取每个心动周期幅值、斜率、弧长及面积等46个特征,建立单心动周期标准心电波形的高斯混合模型,通过计算马氏距离判断某心电波形是否符合标准心电波形的高斯模型分布,实现具有明显PQRST特征的心电波形筛选.该方法在52人实际采集心电数据和ECG-ID数据库上分别进行了三组实验,不完整波形的平均拒绝率分别为97.87%、98.69%,能够有效挑选出完整的心电波形.     

基于局域波和混沌的转子系统早期故障诊断

针对转子系统早期微弱故障诊断问题,提出了一种基于局域波分析和混沌相结合的故障诊断新方法.分析了Duffing混沌振子的混沌运动,说明混沌振子的非平衡相变对微弱信号的敏感性和对白噪声的免疫力.可以通过混沌振子由混沌运动到大周期运动的相变识别微弱信号的特征频率成分.由于实际检测信号为多分量信号,若直接输入Duffing振子达不到检测识别目的.为了消除其他成分的干扰,利用局域波分解,任何复杂的信号都可以分解为有限的并且具有不同的基本模式分量,每个分量是单一成分信号,实现了信噪分离.将局域波分量输入所设计的混沌振子,通过混沌振子系统行为由混沌状态变为大周期运动状态,表明检测信号中含有特征成分,实现了利用混沌振子对低信噪比微弱信号的检测识别.对转子系统早期不对中故障信号进行检测结果证明了方法的有效性.     

基于格子玻尔兹曼方法的可激发系统物理性质研究

基于格子玻尔兹曼方法的D2Q9模型,研究可激发系统的能量和熵.数值计算结果表明:相同系统参数下,不同稳定波态系统的平均能量值接近,但熵值不同;在螺旋波失稳进入混沌态过程中,系统内能急剧减少,熵值增加;系统能量不足是螺旋波失稳的主要原因.     

人工神经网络对电子鼻性能的影响

电子鼻原型由4个气体传感器组成的阵列和人工神经网络识别软件组成,可识别不同品牌的白酒.以它为例,研究了3种人工神经网络,即反向传输网络(BPN)、学习矢量量化网络(LVQ)和概率神经网络(PNN)对电子鼻性能的影响.结果表明,在需要精细识别时,虽然传感器阵列对白酒的响应谱的差别是电子鼻识别的基础,但是人工神经网络结构和算法包括相关训练参数的选择对决定电子鼻的性能也有重要的作用.比较而言,学习矢量量化网络在分类能力和训练成本方面更胜一筹,而概率神经网络则在计算负载和易用性方面更好一些.     

嗅觉系统神经网络模型字符识别中的应用

Freeman在大量神经生理实验的基础上建立了生物嗅觉系统的非线性神经网络模型,即K系列模型．其中,KⅢ模型是一种混沌神经网络,它的模式识别机制与以往的人工神经网络完全不同,更接近实际生物神经系统的工作模式．研究通过对26个英文字符的学习、识别研究得出,系统相对于传统的神经网络有着很强的学习能力,学习5～6次就能有很好的识别能力,在10次达到最优学习效果,并与真实神经系统学习过程中的倒“U”曲线相对应．     

一个新混沌系统的分析与控制

本文提出了一个新的三维连续自治混沌系统,该系统含有3个参数,3个非线性项。通过计算得出混沌系统具有5个平衡点,给定参数a,b,c的值,得到了3个实平衡点,经过计算其雅可比矩阵的特征值知s1为不稳定的鞍点,s2与s3为不稳定的鞍焦点。接着通过计算得到了混沌系统的3个Lyapunov指数并由此得到了混沌系统的Lyapunov维数,用Matlab软件绘出了系统的吸引子图像,给出了混沌系统的Lyapunov指数谱、对应的分岔图以及Poincaré截面。接着分别用位移反馈控制、增强反馈控制以及加速反馈控制3种不同的反馈控制方法实现了对混沌系统的控制,根据Routh-Hurwitz判据从理论上给予了证明,最后又通过数值仿真的方法验证了控制方法的有效性。     

实时动态心电监护系统

本文介绍了一种用微处理器控制的实时动态心电监护系统,采用数字滤波消除干扰和噪声,用差分法识别 QRS 波起点、终点和 R 波顶点.由 RR 间隔和 QRS 波宽等特征参数判别心电异常,实现实时自动监护,并对异常心电进行分类、存贮模板心电波形,统计发生次数.用微型描绘打印机回放存贮的模板波形和统计表.最后给出临床应用结果.     

一种新的具有多个储备池的回声状态网

回声状态网是一种新型的递归神经网络,仅需要训练输出权值,克服了传统递归神经网络存在训练算法过于复杂、收敛速度慢、易于陷入局部最小等问题.为进一步提高回声状态网的建模能力,特别是面临实现多个正弦函数叠加(MSO)等任务时的逼近能力,提出了由泄露积分型神经元构建一种新型的多储备池回声状态网,称为多储备池泄露积分回声状态网(MLESN). MLESN是采用由顶向下和由底向上相结合的思路构建回声状态网.首先采用由顶向下的思路构建回声状态网,假设其储备池由P类相异泄露积分型神经元构成,每一类神经元的群体将构成一个子储备池.然后采用由底向上方式构建回声状态网,生成P个相异中心神经元,分别代表P个子储备池,每个子储备池的神经元状态要与其中心神经元状态相同或相近,P个中心神经元之间通过随机稀疏连接构成了一个新的虚拟子储备池.在储备池状态更新过程中,仍需保持各子储备池内部神经元之间的差异性小,不同子储备池神经元状态之间的差异性大的特点.最后,利用Matlab仿真软件进行实现,并与泄露积分型回声状态网(Leaky-ESN)预测性能进行比较.仿真结果表示,本文提出的方法具有更高的预测精度和预测误差波动性小等特点.     

基于混沌信号时域波形包络特征的触电电流检测方法

针对剩余电流保护装置存在的拒动、误动以及触电电流信号难以提取的问题,提出一种基于混沌信号时域波形包络特征的触电电流混沌检测方法.利用混沌系统对初始条件敏感和对噪声免疫的特性,根据混沌理论,采用矢量分析方法,提出待测信号相位的检测方法;依据混沌系统不同状态时输出x时域波形包络线的差异性,提出将x时域波形极值点序列标准差作为衡量波形包络线波动特征的指标,自动判别混沌系统的临界状态;在此基础上,采用矢量分析方法,提出一种触电电流幅值检测方法.研究结果表明,提出的混沌判据可准确判断系统周期状态和混沌状态,能够从总剩余电流中检测出触电电流信号,平均检测误差仅为4.64％.     

基于小世界无标度特征的回声状态小波网络

针对储备池的适应性问题,提出了一种复合回声状态网络模型(CESN).CESN依据增量生长准则构建小世界无标度进化状态储备池,解除了储备池谱半径的限制.同时,CESN将离散小波函数作为神经元的激活函数,用Symlets小波函数替代部分储备池神经元的S型函数,Symlets小波函数的伸缩和平移变换特征丰富了动态储备池的状态空间.将CESN应用于一些非线性时间序列逼近问题中,即NARMA系统、Henon映射和二氧化碳浓度预测.实验结果表明,在逼近高度复杂的非线性系统方面,CESN明显优于注入Symlets小波的经典回声状态网络(S-ESN)和具有高聚类系数的无标度回声状态网络(SHESN).      

基于表面波形获取水底压力的计算方法及其实验验证

为获取水面波形与水底压力的对应关系,提出基于表面波形获取水底压力的计算方法,建立表面波形和水底压力变化的测量系统.对水面波形测量结果,采用傅里叶级数展开法计算其系数,通过线性叠加法反演重构原来水面波形.根据有限水深色散关系计算不同频率组成波的波数,进一步计算出非规则波、船舶兴波以及船舶在波浪中航行时的水面波形在水底引起的压力变化.仿真结果表明,理论计算与实验结果吻合较好.     

随机非对称耦合控制螺旋波和时空混沌

通过引入随机非对称耦合方法对螺旋波和时空混沌进行控制,数值模拟结果表明:在选择适当的控制参数下,螺旋波和时空混沌能被控制并最终达到稳定的靶波态,实现了对螺旋波和时空混沌的有效控制,在一定的耦合强度c和随机耦合概率p下,两个不同的系统之间存在相同步和完全同步现象,通过计算瞬时平均相位差△φ和泊松系数γ进一步验证了这一现象...     

一种改进的脑电癫痫波自动分析系统

脑电癫痫波的自动检测与分类是具有重要临床意义的课题。现存的算法大都着重于对棘、尖波形的检测 ,而忽略了慢波所包含的有用信息。为满足临床要求 ,论文提出了一种改进的脑电癫痫波自动分析系统。系统采用“分层次、多方法”的检测策略 ,兼顾了各种癫痫病理波形 ;整个处理过程综合应用了自适应预测、小波变换、人工神经网络、启发式规则等多种信号处理方法。经临床数据测试 ,该系统对癫痫波的总检测率达 83.6 % ,误检率为 1.1%。通过分层次处理 ,运用多方法的结合 ,可以提高检测敏感度和特异度 ,减少计算量 ,适合对长程脑电数据进行分析