癫痫脑电的特征提取方法综述

癫痫是一种常见的以反复癫痫性发作为特征的慢性神经系统疾病。癫痫性发作的自动检测是通过机器学习及数据挖掘等方法对癫痫发作脑电自动识别的一种技术。如何设计合适的脑电特征提取方法是有效完成癫痫性发作自动检测的关键所在。文中系统总结了用于癫痫性发作自动检测的脑电特征提取方法,分别从时域分析、频域分析、时频分析、非线性动力学、图论、癫痫计算模型6个方面将已有的癫痫脑电特征提取方法进行归类,并对每类方法的基本原理和设计思想进行了系统的阐述。     

基于生成型深信度网络的回归算法鲁棒性分析

目前,深度学习在分类问题中取得了很多很好的效果,并开始在部分回归任务得到应用。然而,绝大部分研究重点都集中在相对其他回归算法的预报精度上,而忽视了有实际应用需求的回归算法预报鲁棒性问题。首先基于受限的玻尔兹曼机建立了一个具有3个隐含层的生成型深信度网络多步预测模型;然后,建立了基于单隐含层神经网络、三个隐含层的神经网络以及单核支持向量的典型多步预测模型,并利用4组宁夏地区不同季节的风速数据进行回归算法的稳定性对比实验。实验结果显示,基于受限玻尔兹曼机建立的具有三个隐含层的深信度网络模型的多步预报误差的均值和方差都是最小的。因此,基于生成型深信度网络的回归模型不仅预报精度高,而且此预报算法的鲁棒性也比较好;相对其他三种典型回归算法来说,可以更好地满足风电场风速预报问题的实际工程应用需求。     

砂轮磨削过载判据及其快速诊断

基于对砂轮磨削过程中声发射信号的采集,研究了2种砂轮磨削过载判据的特征量提取方法,并提出了评价砂轮磨削过载判据的主要指标即灵敏度、稳定性和算法效率.通过选取合理的采样率与处理间隔,分析比较了2种信号处理方法对砂轮与工件过载的识别效果.结果表明,所提出的信噪特征比方法提取的特征量具有稳定性好、灵敏度和算法效率高的特点,且可以对过载点实现预判,可作为优先选择的磨削过载判据.     

基于强度PCNN的静态图像人脸识别

为了减少人脸图像中姿势、表情和光照等因素对人脸识别的影响,引用了一种基于脉冲发放强度的脉冲耦合神经网络(PCNN,pulse coupled neural network)的人脸特征提取方法。不同人脸图像具有不同的灰度特征,将人脸图像输入PCNN模型后可以得到各个图像特定的脉冲发放强度矩阵。实验利用脉冲强度矩阵作为人脸特征,并结合距离分类器——余弦距离进行人脸识别。仿真实验表明,基于强度PCNN模型提取的特征能刻画出人脸的细节,对于不同姿势、表情及面部明显遮挡物的人脸图像,具有较好的识别结果。该方法对于复杂人脸图像特征的提取,具有较强的鲁棒性。     

基于分块加权的局部保持投影的人脸识别

为增强对姿势、表情、光照等变化的鲁棒性,提出了一种加权的分块局部保持投影人脸识别算法.算法先对样本图像分块,对分块得到的子图像利用局部保持投影算法分别提取局部特征信息,并利用k近邻点的类标信息和样本影响力函数计算各分块子图像的权重.该算法能够有效地抽取图像的局部特征,对人脸表情和光照条件变化较大的图像表现尤为突出,在AT&T和Yale人脸库上的比较实验说明了该算法的有效性.     

带有裂纹轴的齿轮耦合系统的扭转振动特性

建立了从动齿轮轴带有开裂纹的啮合型齿轮耦合系统动力学模型·对齿轮系统的啮合刚度、传动误差和节线冲击等主要参数进行了讨论·研究了齿轮耦合条件下裂纹轴(从动齿轮轴)和无裂纹轴(主动齿轮轴)的扭转振动特性·基于齿轮系统参数众多的特点,以传动比为主线,研究了两齿轮轴扭转振动特性与裂纹深度、转速和传动比之间的关系·分析结果表明,频率为旋转频率2倍和4倍的谐波成分是带裂纹齿轮轴扭转振动的主要特性,传动比和转速是影响裂纹引发振动的能量及其在两齿轮轴上分布情况的主要参数·     

针对东方人黑色虹膜识别的光谱选择

本文以东方人黑色虹膜作为研究对象,进行两方面研究:1)对于单一光谱照明,找到某一个最适合东方人黑色虹膜的光谱段;2)对于多个光谱照明,确定东方人黑色虹膜所需要的光谱段数量.第一部分研究中,采用改进的卷积矩阵与频谱能量相结合的算法,对虹膜纹理质量进行评估;采用改进2-DGabor与1-DLog-Gabor相结合的编码方法,获得虹膜匹配性能的指标.实验显示:针对单一光谱照明,700nm对于东方人的黑色虹膜是最优的光谱段.第二部分研究中,采用改进multi-group(2D)2PCA算法,基于多光谱虹膜图像的最大不相关性进行层次聚类分析.实验显示:针对多个光谱照明,3个主聚类可以最好地描述从545nm到940nm的所有光谱段.以上研究在该领域内具有开拓性,解决了东方人黑色虹膜多光谱采集与识别的基础问题,为东方人黑色虹膜的多光谱融合提供了理论依据.     

基于样本加权矩阵的自适应弱目标识别鲁棒算法

以人脸为例,提出多区域特征融合的弱目标特征表示方法,并据此设计1种新的加权PCA-LDA(Principal element analysis-Linear distinction analysis)弱目标识别方法,用样本加权特征矩阵代替传统的特征向量,有效地将局部和全局特征加权融合。其步骤是:提取弱目标的全局特征,并用1种新的基于Gabor小波的方法提取其特征;基于将全局和局部特征加权融合的思想,得出权值的选择方法;通过研究多区域特征加权融合原理,提出定义每类样本的类矩阵,得到新的投影准则,解决小样本空间问题,最后得出加权PCA-LDA算法。研究结果表明:加权PCA-LDA算法能很好地结合弱目标图像全局和局部的互补信息,其识别效果优于各单一区域的分类效果。     

基于关键点的无模拉拔变形区特征提取与重构算法

无模拉拔过程中,变形区的形状与各工艺参数之间存在着复杂的相互关系。变形区的表示对变形区形状的预测以及智能控制具有重要意义。根据变形区的形状特点,提出了一种基于关键点的无模拉拔变形区形状特征提取和重构算法,有效地实现了高维变形区形状信息的降维和重构映射,与神经网络结合,为建立无模拉拔变形区形状模型提供了一种新的方法。