基于时频域组合特征的脑电信号情感分类算法

为了提高基于脑电信号(electroencephalogram, EEG)情感识别的准确率,提取了脑电信号的时域与频域特征,并且将其进行组合形成时频域组合特征,作为不同识别模型下的输入。采用集成决策树(bagging tree, BT)、贝叶斯线性分析(Bayesian linear discriminant analysis, BLDA)、线性判别分析(linear discriminant analysis, LDA)及支持向量机(support vector machine, SVM)四种浅层机器学习算法对EEG在效价与唤醒度上进行二分类情感识别。实验结果表明,DEAP数据集在效价上,基于时频域组合特征在BT分类器下的识别精度平均达到92.54%,在唤醒度维度上基于时频域组合特征在SVM下平均识别精度达到94.62%。     

情感识别中脑电信号Lempel-Ziv复杂度的研究

在生理信号中,基于脑电信号的情感识别越来越引起研究者的重视。Lempel-Ziv复杂度测量是一种有效的非线性脑电信号分析方法,同时在情感脑—机接口系统中还可以用于进行情感的识别。文章在传统Lempel-Ziv复杂度算法的基础上,提出一种新的Lempel-Ziv复杂度算法,从而更好地进行基于脑电信号的情感识别。首先进行脑电信号的预处理,通过小波包变换来保留脑电信号的低频信号;然后利用非线性滤波器来移除脑电信号中的奇异值;进一步我们提出一种有效的自适应Lempel-Ziv复杂度算法来度量脑电信号的复杂度,并应用此特征值来识别情感。实验结果证明此方法可以从脑电信号中提取出更多有效的模式。同时,它还能够精确地检测到脑电信号的振荡情况,从而提取出不同情感状态下脑电信号中本质的非线性特性。     

OFDM信号的多重分形谱特征盲识别算法

针对非合作通信条件下的调制方式识别问题,提出了一种正交频分复用(OFDM)信号的多重分形谱特征盲识别算法.该算法首先提取通信信号多重分形谱最大值对应的奇异性指数以及通信解析信号平方处理后经两次傅里叶变换的幅频信号的多重分形谱跨度作为信号特征参数,然后通过多层决策树分类器完成对OFDM信号和单载波信号的识别.该算法提取的...     

基于相空间重构的光纤周界信号识别算法研究

文章将相空间重构和复小波包变换引入入侵信号类型的识别,对原始信号进行相空间重构,以便更深地反映光纤入侵振动数据混沌特性的内在动力性属性。以相空间重构嵌入维数作为复小波包变换数据输入长度,避免输入信号长度的随意性。采用复小波包提取重构信号的能量分布特征构成入侵信号识别的特征集,以主成分分析对原始特征集降维,通过网格参数寻优算法得到支持向量机(support vector machine,SVM)回归模型的最优参数,以最优参数进行SVM入侵类型识别。实验结果表明,该方法能正确监测入侵事件且误报率与漏报率低。     

一种能识别情感状态的遗传算法及应用

将离散的情感状态的识别看成模式识别问题,运用组合优化的思想,从4种生理信号心电(ECG)、肌电(EMG)、皮肤电(SC)、呼吸信号(RSP)中抽取情感特征,将遗传算法和最近邻算法相结合构造出一种新的方法,以最近邻为准则,遗传算法寻优,尝试找出最能"代表"某一情感状态joy、anger、sadness、pleasure的最优情感特征组合模式.仿真实验表明,用肌电信号(EMG)来识别4种情感状态效果要好于用其他3种生理信号,按唤醒度轴方向识别情感状态较按效价轴方向识别情感状态效果好.     

基于语音信号与心电信号的多模态情感识别

通过采集与分析语音信号和心电信号,研究了相应的情感特征与融合算法.首先,通过噪声刺激和观看影视片段的方式分别诱发烦躁情感和喜悦情感,并采集了相应情感状态下的语音信号和心电信号.然后,提取韵律、音质特征和心率变异性特征分别作为语音信号和心电信号的情感特征.最后,利用加权融合和特征空间变换的方法分别对判决层和特征层进行融合,并比较了这2种融合算法在语音信号与心电信号融合情感识别中的性能.实验结果表明:在相同测试条件下,基于心电信号和基于语音信号的单模态情感分类器获得的平均识别率分别为71%和80%;通过特征层融合,多模态分类器的识别率则达到90%以上;特征层融合算法的平均识别率高于判决层融合算法.因此,依据语音信号、心电信号等不同来源的情感特征可以构建出可靠的情感识别系统.     

分类学习方法在犯罪人地域特征预测识别中的应用研究

传统的时空犯罪预测仅适用于犯罪的时空分布概率分析,无法应用于具体的案件预测,而基于犯罪人特征属性判断犯罪人风险行为的预测方式往往会受到特定工作场景的限制,缺乏良好的迁移性和扩展性(背景)。抽象出案件现场构成要素并从信息化侦查的角度建立了以时间、区域、部位、目标和手段等5种案件现场信息为属性、以分类算法为基础的犯罪人地域特性识别模型,并以北京市盗窃电动车案件数据作为案例、利用决策树算法进行了实证分析(方法)。结果表明:该模型能够有效地实现对犯罪人地域特征的分类识别,其分类正确率达到了80%以上,并且决策树算法在结果的准确率上较其他分类方法具有更好的效果(结果)。以犯罪人的地域特征性作为案件侦查的一个切入点,利用案件现场特征挖掘犯罪嫌疑人的地域特征,可为侦查人员缩小侦查范围提供了一种方法,有利于侦破犯罪嫌疑人身份不明的案件,提升侦查效率(意义)。     

基于混沌特性的情感语音特征提取

根据语音发声过程中的混沌特性,应用非线性动力学模型分析情感语音信号,提取了该模型下情感语音信号的非线性特征以及常用的声学特征(韵律特征和MFCC).设计情感语音识别对比实验,将非线性特征与不同声学特征融合并验证了该组合下的情感识别性能,研究了语音信号混沌特性对情感语音识别性能的影响.实验选用德国柏林语音库4种情感(高兴、愤怒、悲伤和中性)作为语料来源,支持向量机网络用于情感识别.结果表明,非线性特征有效表征了情感语音信号的混沌特性,与传统声学特征结合后,情感语音识别性能得到了显著提高.     

地面装甲目标声信号的混沌特征提取

针对地面装甲目标辐射的噪声信号的非线性特性,为使智能地雷能够有效地识别目标,利用非线性动力学理论中的混沌原理对目标声信号进行特征提取。通过野外场地实验,采集到2种装甲目标在不同运行速度下的40组样本信号,采用改进C-C法求得信号时间序列的相空间重构参数——时延和嵌入维,再利用Wolf法得到了2种目标声信号的混沌特征量——最大Lyapunov指数。结果显示：同一目标声信号的最大Lyapunov指数相近,且与运动状态相关性不大;不同目标间声信号的最大Lyapunov指数相差较大,辨识度较高。结论证明,最大Lyapunov指数可以作为地面装甲目标识别的有效特征参量。     

决策树算法及其改进

该文对传统的C 4.5决策树数据挖掘算法进行了改进,提出了一种双重熵平均决策树算法。传统的C 4.5决策树算法易出现无意义分枝,过度拟合等问题,针对该类问题,基于双重熵平均决策树算法,通过两次对样本子集熵平均值的计算、排序、合并处理,得到修正后的属性信息增益,并以此作为属性选择的依据,从而解决了传统C 4.5决策树算法可解释性差、易产生碎片等问题。     

数字调制信号识别系统的DSP硬件实现

针对人工的信号识别设备不足,设计了基于DSP的数字调制信号识别系统．使用希尔伯特变换提取信号的瞬时信息,计算得到3个特征参数值,使用决策树分类器对信号进行分类．设计了用于通信信号识别的硬件系统,并制作了实际电路．在CCS软件环境下,使用c语言编程实现了调制信号自动识别算法．DSP硬件仿真结果表明,在信噪比不小于10dB时,系统平均识别正确率超过了98％．最后使用系统对信号发生器产生的调制信号进行了实时离线识别,实验结果表明,系统具有较好的识别正确率和实时性．     

用高阶累积量实现数字调相信号的分级识别

针对BPSK,QPSK,OQPSK和8PSK信号的调制模式自动识别,传统的基于高阶累积量算法无法区分QPSK和OQPSK,因此提出了一种基于差分高阶累积量的识别算法。该算法首先用四阶累积量提取待识别信号和其差分序列的特征参数,然后用决策树分类法实现信号的分级识别。理论分析和计算机仿真结果表明该算法有较强的抗噪声和抗相位抖动能力,在信噪比>3 dB时识别率达95%以上,更适用于较低信噪比下信号的识别。     

基于生理信号的实时情感识别系统设计与实现

设计并实现基于生理信号的实时情感识别系统.以视频为刺激材料诱发受试者高兴、惊奇、悲伤、愤怒、恐惧、平静6种情感,通过MP160生理信号记录仪采集受试者相应情感下的心电、呼吸、脉搏波、皮肤温度、肌电、皮肤电导6种生理信号,采用PCA和SVM结合的算法实现情感的实时分类.最后,系统对4名在校学生进行了实验,6种情感的平均识别率为70%.     

数字通信信号调制方式识别算法的改进研究

为克服数字通信信号调制方式识别算法识别类型少,步骤复杂,识别率低等问题,在已有识别算法的基础上,通过对信号特征参数的分析和提取,提出一种基于决策理论的数字通信信号调制样式识别的改进算法。该算法通过比较不同信噪比下特征参数的取值概率直方图,选择判决门限值。同时,应用最大似然法则,并采用了可变的判决门限值,以得到最佳判决门限。研究结果表明,在信噪比（SNR：Signal to Noise Ratio）为10 dB时,算法的正确识别率达到96%以上,可识别包括噪声在内的7种信号,且信噪比为6～15 dB时,该算法的正确识别率不低于92%。     

混合调制信号调制识别方法

研究基于决策理论算法的混合调制信号特征参数提取与自动识别技术,提出适合混合调制信号调制识别的树型分类器及相应识别步骤。在外调制、内调制识别时首次分别采用副载波信号个数构成的特征矢量、均值归一化包络方差、副载波信号瞬时幅度分布区域统计值等算法,抑制噪声干扰,提高特征参数的准确性,仿真结果表明,在信噪比为6 dB情况下,调制识别率接近90%,和现有混合调制识别方法相比取得较好的识别效果,在混合信号调制识别管理中具有广泛的应用前景。     

决策树技术及其在药物治疗中的应用

介绍了决策树技术及其算法,采用决策树中的C5．0算法,结合Clernentine工具对所给数据进行了分类。实现了其在药物治疗上的应用。     

基于G4ICCS系统的数据挖掘并行算法

针对传统决策树SPRINT（Scalable Parallelizable Induction of Decision Trees）算法不能处理海量地学数据挖掘的问题, 设计实现了基于G⁴ICCS(Geology Geography Geochemistry Geophysics Information Cloud Computing System）的决策树并行分类算法PSPRINT。该算法使用哈希表存储连续属性分割点两侧的数据记录, 为并行节点的分割提供依据, 在MapReduce架构下解决了海量地学数据挖掘问题。实验结果表明, 在模拟的云计算环境下, 决策树并行算法可以处理海量地学数据分类问题, 并获得较好的稳定性和较高的处理速度。     

基于统计学法则的连续属性值划分方法

目前决策树中很多分类算法例如ID3/C4.5/C5.0等都依赖于离散的属性值,并且希望将它们的值域划分到一个有限区间。利用统计学法则,提出一种新的连续属性值的划分方法;该方法通过统计学法则来发现精准的合并区间。另外在此基础上,为提高决策树算法分类学习性能,提出一种启发式的划分算法来获得理想的划分结果.在UCI真实数据集上进行仿真实验.结果表明获得了一个比较高的分类学习精度、与常见的划分算法比较起来有很好的分类学习能力。     

适用于高阶QAM信号的双模式分数间隔盲均衡

为了克服常数模算法收敛速度慢稳态误差大的缺点,利用高阶QAM信号分布在多个不同模值上的特点,提出了一种适用于高阶QAM信号的双模式分数间隔盲均衡算法.该算法采用T/2分数间隔结构,并以常数模算法为基础模式,而在第二模式中采用一种多模算法,且通过判决条件对均衡器的输出信号进行判决,使均衡器能在多个模值中自动切换.计算机仿...     

基于连续数据量化的声纳传感器数据识别方法

为了有效识别声纳信号,提出一种基于连续数据量化的声纳传感器数据识别方法。首先用声学传感器采集数据;其次运用数据离散化方法,有效地将采集到的数据进行连续数据离散化;最后,通过数据挖掘技术(C4.5/C5.0决策树、SVM和Naive-Bayes分类器)对离散后的声纳信号数据进行分类识别。实验首先在UCI数据集上进行Naive-Bayes分类预测来评价提出离散化方法的性能,得到了较好的效果。其后,通过声学传感器收集到的Sonar数据集进行实验。结果表明,新的离散化方法提高了四个分类器的识别精度,表明该声纳传感器数据识别技术是非常有效的。