从EOG扫视信号中提取眼球位置信息

提出了一种基于理想EOG曲线的处理算法从包含噪声和非线性漂移的EOG信号中提取扫视运动发生时眼球的位置数据。其基本思想是,根据眼运动的特点构造理想EOG曲线模型;基于理想EOG曲线提取特征值,根据特征值分类提取位置数据。通过一个实验讨论了算法的有效性,实验证明对扫视运动偏转角的提取可以精确到4°。     

基于模拟退火原理的模糊C-均值聚类在证券市场中的应用

通过将模拟退火技术与模糊C-均值聚类相结合,提出了一种新的具有全局优化的模糊C-均值聚类算法,用于解决一般动态聚类方法中聚类结果对初始中心的敏感性问题。利用该方法,对上证50指数分类,并对分类结果的特征进行了分析。仿真结果表明该方法是一个具有全局最优解聚类方法。     

连续生产综合自动化系统功能集成的可拓控制模型

在分析ＣＩＰＳ各级的相似性的基础上,认为ＣＩＰＳ的每一层级都可以看成一个广义的信息控制系统,都具有构成控制系统的三个要素：信息、控制作用和对象。在此基础上,结合系统的矛盾性和可拓控制理论,提出了连续生产过程综合自动化系统功能集成的可拓控制模型。     

构造稀疏最小二乘支持向量机的网络入侵检测模型

从最小二乘支持向量机的稀疏表达出发,构建高效的基于稀疏最小二乘支持向量机的网络入侵检测模型,提出了一种通过基于核空间近似策略的有效低秩逼近来有效减小原始训练样本集中的支持向量数来实现最终模型的稀疏表达.以MIT KDD99数据集为基础,对所提出方法进行有效性验证,并与利用剪枝策略通过递归过程中不断减少模型中支持向量个数的稀疏化方法、基本最小二乘支持向量机以及标准支持向量机方法的性能进行对比.结果表明:基于核空间近似的最小二乘支持向量机稀疏化与标准最小二乘支持向量机相当;此外稀疏最小二乘支持向量机能够提高入侵检测响应速度.     

基于能量特征的左右手运动想象脑信号的识别方法

提出了一种基于能量特征的左右手运动想象识别方法,利用快速傅里叶变换分析特定脑电(μ波和β波)的频率分布,然后利用小波分解去噪,再利用小波包分析脑电能量,提取能量特征,最后基于支持向量机(SVM)进行左右手运动想象的识别。本文把能量作为特征的支持向量机(SVM)识别法分别与自适应自回归系数法(AAR)和相同步分析法进行比较。仿真结果表明:在相同样本数据情况下,能量特征作为特征向量的SVM识别准确率明显高于其他2种方法。     

一种新的基于小波变换的EEG视觉伪信号修正方法

提出了一种在基准EEG信号和视觉信号未知条件下,基于小波阈值去噪的方法来修正EEG信号中出现的视觉伪信号(OA)的新方法。这种方法实现了对原始EEG信号进行平稳小波变换(SW T);对低频系数进行两次阈值去噪;对去噪后的信号进行重构。实验结果表明:这种新方法在基准EEG信号和视觉信号未知条件下能有效去除OA,同时适用于眨眼和眼球运动所产生的伪信号。通过不同方法对采集的信号处理后进行比较,说明该方法的有效性。     

基于量子的免疫进化算法及收敛性

分析和探讨了量子计算的特点及免疫进化机制,并结合免疫系统的动力学模型和免疫细胞在自我进化中的亲和度成熟机理,提出了一种基于量子计算的免疫进化算法。该算法使用量子比特表达染色体,通过免疫克隆、记忆细胞产生和抗体相似性抑制等进化机制可最终找出最优解,它比传统的量子进化算法具有更好的种群多样性、更快的收敛速度和全局寻优能力。在此不仅从理论上证明了该算法的收敛,而且通过仿真实验表明了该算法的优越性。     

基于多种灰度闪光刺激的P300脑-机接口性能研究

因P300脑-机接口系统的准确率和信息传输率较高,已被广泛应用。研究表明,视觉刺激的强度会影响脑-机接口系统的性能,本文对此展开了相关范式研究。首先,按人眼感知灰度的敏锐度将视觉刺激强度划分为9种灰度值并设计刺激范式;然后,通过实验采集9种灰度值刺激源诱发的P300电位数据;最后,对数据进行分析,得到灰度值与P300电位强度和电位分类准确率的关系信息。实验结果表明,振幅、潜伏期与灰度值之间存在一种波动增长关系,同样,灰度值与电位分类准确率也呈现此种关系,为P300脑-机接口系统的刺激源设计提供了重要依据。     

KICA模型选择及其在消除脑电信号伪差中的应用

理论分析并结合实验验证指出基于正定核的独立分量分析算法(K ICA)的优化与分离性能与其模型参数的选择有关。提出了一种简单高效的模型选择方法:在混合信号中附加一个已知验证信号,通过最小化该已知信号的分离误差来选择最优模型参数。实验结果表明:经模型选择后的K ICA能成功分离脑电信号中的心电伪差。     

基于改进免疫遗传算法的神经网络及其在股票预测中的应用

针对BP神经网络学习速度慢、容易陷入局部极小的缺点,提出了一种基于改进免疫遗传算法的多层前向神经网络,将该算法用于多层前向神经网络的权值优化,扩大了神经网络的权值搜索空间,提高了网络系统的学习效率和精度.将该神经网络用于上证指数的趋势预测,仿真结果表明:该神经网络比BP神经网络具有更好的全局收敛性、更高的学习效率和预测精度.