用于稳态视觉诱发电位目标识别的多尺度特征融合卷积神经网络方法

针对传统稳态视觉诱发电位(SSVEP)脑电信号目标识别方法分类精度低、提取特征不充分、方法复杂且耗时等问题,提出一种基于多尺度特征融合卷积神经网络的SSVEP信号分类识别方法(SSVEP-MF)。利用小波变换将多通道SSVEP信号整合转化为二维图像作为输入样本集;建立多尺度特征融合卷积神经网络模型(MFCNN),该模型利用三层二维卷积核实现图像样本不同尺度特征的充分提取,构建多尺度特征融合单元对不同层级特征进行融合,并通过全连接等操作完成模型的训练;将样本集输入到MFCNN模型中实现脑电信号特征自适应提取及端到端分类。所提SSVEP-MF方法能够充分提取信号各层级特征,实现短时间视觉刺激下SSVEP信号的有效识别,并具有较高的目标识别效率。实验结果表明,在1 s刺激时长时,相比传统功率谱密度分析方法、典型相关分析方法以及普通卷积结构方法,所提方法的识别准确率分别提升了18.57%、20.08%及7.03%,有效提高了基于稳态视觉诱发电位范式下脑机接口的信号识别性能。     

无氰K金电铸沉积层合金成分的研究

为了控制无氰Ｋ金（Ａｕ－Ｃｕ二元合金）电铸沉积层的合金成分,研究了影响沉积层合金成分的几个因素及其影响情况。进行电沉积实验时,阳极采用纯金平板,阴极采用纯铜板。每次实验采用不同的参数。实验所得沉积层用Ｔ－４５０型扫描电镜的能谱检测其合金成分,即可得各影响因素对合金成分的影响情况。实验结果表明：合金成分与镀液中金、铜离子质量浓度比、阴极电流密度、络合剂（ＤＴＰＡ）的含量以及镀液温度等因素有关,其中镀液中金铜比是最重要的影响因素。本文所研究的内容对于利用无氰Ｋ金电铸工艺生产空心、Ｋ金首饰技术生产时控制沉积层的合金成分具有很重要的意义。     

基于标准可加性模型的模糊神经网络

在对可加性模糊系统的最重要的组成部分标准可加性模型（SAM）进行研究的基础上，把SAM系统与神经网络相结合，并推导出适合此网络结构的简化的隶属函数参数的学习算法，从仿真结果可知该方法简单、学习次数少、逼近精度高。