基于张量分解模型的语音信号特征提取方法

提出了一种通过张量分解提取语音信号特征的方法. 该方法对语音信号进行预处理,然后对每帧语音信号进行小波分解得到不同尺度上的信息,对这些信息提取传统特征参数,构建一个帧结构×分解尺度×特征参数的三阶张量,并经过张量分解得到各阶投影矩阵,从而建立语音信号在高阶空间上的特征体系,以便充分表征语音信号的特征. 实验结果表明,本文提出的方法与传统特征参数体系比较,有利于语音识别系统性能的提高,并且对于带噪语音的识别具有一定的鲁棒性.      

多次线性判别方法

本文提出一种“内聚外散”的投影思想,并以回代正确率为标准,对ｋ个总体的样本数据 逐次建立ｋ－１个线性判别方程,形成多次线性判别方法．并利用此方法对许多例子进行检验,其 回代正确率均高于一般的判别方法．本文还讨论了逐步挑选因子方法,此法具有更明显的优点．     

基于稀疏保持拉普拉斯判别分析的特征提取算法

针对稀疏保持投影算法在特征提取过程中无监督和l1范数优化计算量较大的问题,提出一种基于稀疏保持拉普拉斯判别分析的快速特征提取算法.首先通过逐类主元分析(PCA)构造级联字典,并基于该字典通过最小二乘法快速学习稀疏保持结构;其次利用学习到的稀疏表示结构正则化拉普拉斯判别项达到既考虑判别效率又保持稀疏表示结构的目的;所提算法最终转化为一个求解广义特征值问题.在公共人脸数据库(Yale,ORL和扩展Yale B)的测试结果验证了该方法的可行性和有效性.     

基于递归量化分析的表面肌电特征提取和分类

利用展拳、握拳和腕屈、腕伸时从前臂分别检测的两路表面肌电（surface electromyography,SEMG）信号,对四种动作进行了分类研究.先采用移动平均法（moving average,MA）和一阶差分法确定SEMG信号中对应的每个动作波形的起止点,再利用递归量化分析（recurrence quantification analysis,RQA）方法提取各种动作波形的非线性特征参量（确定率、递归率等）,由两路SEMG信号的这些特征参量构成特征矢量,输入BP（back propagation）神经网络,完成对不同动作的分类.研究结果表明,将利用递归量化分析得到SEMG信号的几种非线性参量作为特征值,对不同动作进行分类能够获得较高的分类准确率.     

机械振动信号局域判别基特征提取方法

研究了基于相对熵的小波包局域判别基算法,构造了以局域判别基空间上的结点能量为元素的特征矢量,并在发动机上进行了实验研究,结果表明,小波包局域判别基结点能量谱具有明显的类别特征,经过压缩,作为分类器的特征输入具有较高的模式识别率。     

基于线性和非线性判别的工业过程建模方法

在传统的工业过程建模方法的基础上,针对变量间往往存在复杂的数据特性的问题,提出一种线性和非线性关系的判别方法。以多元统计分析为基础,对变量之间的相关性进行分析,有效区分了线性变量和非线性变量。在此基础上提出了相应的建模方法,提高了模型精度。通过仿真验证,对过程进行线性和非线性判别有助于提高过程模型的精度。     

基于多元线性回归的古代玻璃体系判别方法

古代玻璃易受到外界影响而风化,从而导致内部化学成分发生变化,影响对古代玻璃化学成分体系的判别。为解决这些问题,在数据处理和加性对数比转换（ALR）后,根据数据构建并拟合了风化玻璃每种化学成分的预测函数以及玻璃体系的判别函数。通过风化后古代玻璃的化学组成含量预测相应的风化前化学成分,并将数据代入判别函数,从而确定玻璃样品的成分体系。随后通过实例说明了该方法的有效性和适用性,为研究古代玻璃体系提供了一种新的思路。     

基于局域判别基空间能量的特征提取

针对模式识别中如何提取信号有效特征的问题,对信号进行小波包分解,求取小波包局域判别基,提出求取局域判别基的各子空间的能量,形成特征矢量的特征提取方法。利用Fisher准则函数进行特征选择,得到识别特征矢量。在水声模式识别实例中应用此方法提取特征矢量进行分类实验,取得良好的分类效果,验证了该方法的有效性。     

基于低秩表示的判别特征提取算法

为了更好地获取高维数据的特征,提出一种特征提取算法——低秩判别映射. 首先基于低秩表示构造代表样本关联性的关联矩阵,然后利用关联矩阵应用判别准则. 低秩表示以样本作为基函数,利用所有样本构建关联矩阵,其构造特点决定了关联矩阵能够很好地体现样本集的全局结构和样本之间的判别关系. 人脸数据集的实验表明,低秩判别映射优于其他广泛应用的特征提取方法.     

线性控制系统稳定性判别的计算机方法

讨论了秦九韶算法在控制系统稳定性判别中的应用，即通过虚轴平移实现线性变换，用此算法实现连续域与离散域之间的变换，实现了在控制系统稳定性判别中的应用。     

基于半张量加法的半线性空间的结构

矩阵的半张量加法是通常矩阵加法的推广.基于矩阵的半张量加法,得到非负实数半环上矩阵半线性空间.研究了该矩阵半线性空间的基与维数、子空间的直和等基本理论,给出两个子空间的和为直和的一个充要条件.     

人体腿部表面肌电信号特征提取方法

表面肌电信号(sEMG,surface electromyography)作为人体运动检测的主要信息源之一,已被广泛应用于康复训练福祉机器人领域。针对人体下肢动作识别的问题,提出了一种针对表面肌电信号进行小波变换的特征提取方法。在肌电信号的频域分布中,该方法选取小波子空间中活动段的平均功率组成特征向量。为验证所提出方法的有效性,设计实现了一种微型便携式多通道sEMG信号采集系统,并利用支持向量机(SVM,support vector machine)构建分类器对腿部动作进行识别。实验结果表明:该方法能有效识别腿部常见的4种动作,同一个体动作识别率能达到95%以上,不同个体识别率平均能达到85%,能够较好地应用于下肢运动障碍患者的日常康复训练。     

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。     

多线性观点下的张量概念

本文认为多线性是张量概念的本质,并据以阐述张量概念,首先定义张量积(定义1—5).继而定义张量空间与张量(定义6—9).文章从定义1出发,依次引出其它定义,借以使张量的本质充分表现出来,并使读者对张量的诸种定义得到统一的理解.     

基于SVM分类器的癫痫脑电时空特征提取方法的研究

癫痫发作具有突发性和反复性,给患者的生命安全带来巨大隐患。为了给患者提供有效的预警,结合时间和空间两个维度,选取模糊熵和皮尔逊相关性作为特征参数,分别衡量时序信号复杂度和空间通道间的相关性; 利用F-score筛选出最优特征组合,既增加了预测的准确率又去除冗余信息; 利用支持向量机(support vector machine,SVM)分类器识别癫痫发作前期和发作间期的颅内脑电信号。为验证该特征的预测效果,进行了模糊熵或皮尔逊相关性单独作为特征参数的对比试验。实验结果表明,与单一特征相比,时空特征的预测效果更好,准确率高达91.26%,误报率仅为2.32%。该方法能有效提取癫痫特征信息,为癫痫的临床预警提供新思路。     

张量具有线性收敛速度的迭代算法

基于计算非负张量谱半径的高阶幂法, 给出一种新的迭代算法判定强H张量. 结合不等式的放缩技巧和非负张量的Perron-Frobenius定理证明所给算法在有限步内停止, 且其收敛速度是线性收敛的. 数值算例表明, 该算法能判定任意给定的张量是否为强H张量, 且在某些情形下比经典的强H张量判定算法所需迭代步数更少.     

加权贝叶斯线性B细胞表位特征提取方法

特征提取方法对线性B细胞表位预测起到非常重要的作用,但贝叶斯特征提取方法忽略了氨基酸之间的相互关系.为了更准确地描述表位序列的关系,提出一种基于氨基酸对量表加权的贝叶斯特征提取方法,该方法对单个氨基酸在序列分布的基础上充分考虑了氨基酸之间的关系,并使用支持向量机作为分类器进行分类.在El-Manzalawy,Saha数据集上的测试表明改进的贝叶斯特征提取方法.相比传统的贝叶斯特征提取方法,提取精度有一定的提升.     

基于张量的多线性思想对主成份分析方法的改进

张量的多线性方法把人脸图像看作是几何结构、表情、姿态和光照等多种因素的综合结果,运用张量方法分离出各个因素(如姿态,光照,人等)子空间,应用到人脸识别中。基于以上算法思想,提出主成份分析法(PCA)的一种改进方法,传统的PCA主要思想是将数据投影到正交的子空间中,改进后的PCA主要思想是:先对图像降维以减少图像矩阵的维数,然后,通过分解三维颜色张量的方法加入颜色信息,对张量进行中心化,运用张量方法进行人脸识别。实验结果表明该算法能有效提高性能。     

多方向线性特征提取的模板构造及处理方法

常用的空域定向滤波模板方法具有较好的方向针对性,但是对于某些研究方向,如提取遥感图象线性特征等,常用的定向滤波模板不太适合,原因是它所提供的多个方向中,有重复多余的方向,因而模板方向就少得不足以全面反映被处理遥感图象的特点,不利于图象中线性特征的提取及模式识别。文章在常用的空域定向滤波模板基础上,对构造新的多方向和多尺寸的滤波模板,进行了有效的研究及详细的阐述。     

张量具有线性收敛速度的迭代算法

基于计算非负张量谱半径的高阶幂法, 给出一种新的迭代算法判定强H张量. 结合不等式的放缩技巧和非负张量的Perron-Frobenius定理证明所给算法在有限步内停止, 且其收敛速度是线性收敛的. 数值算例表明, 该算法能判定任意给定的张量是否为强H张量, 且在某些情形下比经典的强H张量判定算法所需迭代步数更少.