融合空间信息的运动想象脑电在线分类方法

基于脑电图EEG(electroencephalogram)的脑机接口BCI(brain computer interface)系统可以帮助肢体运动障碍患者进行日常生活和康复训练。由于EEG信号的信噪比低、个体差异大,使得脑电信号的特征提取和分类存在精度和效率不高的问题,进而影响了在线BCI系统的广泛应用。提出一种融合空间信息的CNN(convolution neural network)用于MI(motor imagery)脑电信号的在线分类,结合运动想象ERD/ERS(event related desynchronization/event related synchronization)现象的对侧效应,对通道重新排序后的MI-EEG分别进行横向和纵向卷积,充分利用了MI-EEG中的空间信息,完成MI-EEG信号的实时采集和分类。结果分析表明：该方法具有一定的实时性和有效性,为在线MI-BCI系统的实现提供了基础。     

一种快速的脑电信号特征提取与分类方法

在脑机接口研究中,针对两种思维任务的特征抽取和分类,提出一种以通道信号在两种类别下均值之间的欧式距离为特征,用阈值判定进行任务分类的方法;采用BCI2003竞赛数据,分析了该方法的实验背景和理论依据,并将分类精度与竞赛的最好结果进行了比较;表明了所提出方法运用在实际系统中的有效性和优越性。     

基于自适应遗传算法的脑电信号特征选择

针对脑机接口(BCI)研究中脑电信号的特征选择问题,本文提出了一种自适应的遗传算法(AGA).它与标准遗传算法(SGA)的区别在于对交叉和变异概率进行自适应选择.在SGA中,采用固定的交叉和变异概率,因而容易造成早熟和局部收敛; 而AGA对两种概率的自适应选择保留了种群的多样性,并且有利于全局收敛.为检验提出方法的有效性,将其与基于SGA的特征选择方法以及基于Fisher距离的滤波选择方法进行了比较,实验结果表明AGA的分类精度明显高于其它方法,获得了最好的模式识别性能.     

基于遗传算法的支持向量回归机参数选取

针对支持向量回归机(support vector regression,SVR)的参数选择问题,提出了基于遗传算法的SVR参数自动确定方法。分析了SVR各参数对其性能的影响,根据已有的样本集确定遗传算法的搜索区间,然后在该区间内对搜索的参数进行最优选取。为了减少所选参数对训练样本的依赖性,借鉴交叉验证的方法,把训练集分为估计子集,用来选择模型;确认子集选择参数,以推广能力最好的一组参数作为最终参数。将所提出的方法应用于受噪声影响的标准函数,实验结果表明,由该方法所得参数确定的SVR具有较优的预测性能。     

模式分类方法研究

分析了模糊K-近邻方法FKNN,研究了模糊最小最大神经网络FMMNN分类方法,然后深入分析了支持向量机SVM原理,并在此基础上给出了一种改进的径向基核函数。基于IRIS数据,进行了计算机仿真实验,结果表明,改进的SVM方法分类性能比模糊最小最大神经网络与模糊K-近邻算法的分类性能更好,且运算时间更短,更易于实时实现。     

基于脑电alpha波的便携式脑-机接口系统研究

对基于脑电alpha波的服务机器人控制方法进行了研究,并在前期采用计算机的脑-机接口系统研究基础上,设计了一种面向服务机器人的便携式脑接口系统.该系统选用脑电alpha波作为控制信号,用数字信号处理器替代已有系统中的计算机,实现了脑接口系统的集成化和便携化.最后,通过实验验证了系统的有效性和易操作性,为进一步研究开发能实时控制服务机器人完成更为复杂任务的脑.机接口系统提供了技术基础.     

基于功率谱估计和神经网络的脑-机接口研究

脑-机接口是一种不依赖于正常的由外围神经和肌肉组成的输出通路的通讯系统。利用功率谱和神经网络对不同意识任务的脑电信号进行分类。首先对脑电信号进行预处理和基于MUSIC算法的功率谱,提取脑电信号功率谱值作为特征,然后利用LVQ网络对两类不同意识任务进行分类。仿真试验表明,该方法取得了很好的分类效果,而且分类速度非常快。     

基于多域特征与随机子空间集成的脑电分类

针对脑机接口(Brain-Computer Interface,BCI)中脑电信号预处理、特征提取、分类识别等过程,提出一种基于多域特征的随机子空间集成方法实现运动想象脑电分类。该方法的基本思想是通过事件相关同步/事件相关去同步特性分析,提取出最佳时频段的多域特征作为特征向量,结合交叉验证自适应地选择特征随机子空间的集成规模,集成线性判别分析分类器实现脑电信号分类。实验结果表明,多域特征和随机子空间集成分类正确率可达90.71%、Kappa系数可达0.63,均优于BCI竞赛第一名成绩,从而证明了该算法在脑电分类中的有效性和实用性。     

基于Matlab/Simulink的脑-机接口系统设计

脑-机接口技术是在人脑与计算机或其它电子设备之间建立的直接的交流和控制通道,它不依赖于脑的正常输出通路(外周神经系统及肌肉组织),是一种全新的对外信息交流和控制方式.利用慢皮层电位进行脑-机接口的设计,建立了基于Matlab/Simulink的仿真模型.离线分析结果表明,该方法在分类准确率上有了很大的提高.     

脑-机接口中时变公共空间滤波器的研究

为了提高分类识别率,提出了-种新的公共空间算法一时变空间滤波算法.该算法中,公共空间滤波器的值不再是常数,而将随着时闸而变化,它能够有效提高任务的识别率.首先给出公共空间模型的数学公式,然后进行时变公共空间滤波器的数学求解,试验结果表明时变公共空间滤波器在BCI的实用性,能够达到很好的识别效果.     

基于最小二乘支持向量机的软测量建模

软测量技术在工业过程控制中得到了广泛的应用，对保证产品质量和安全生产有很重要的作用。软测量技术的核心问题是建立优良的软测量数学模型。支持向量机是近几年发展起来的机器学习的新方法，它较好地解决了小样本、非线性、高维数、局部极小点等实际问题。本文研究了基于最小二乘支持向量机的软测量建模方法，并用交叉验证的方法进行支持向量机参数选择。将基于最小二乘支持向量机的软测量模型应用于轻柴油凝固点的预估。结果表明最小二乘支持向量机是软测量建模的一种非常有效的方法。     

支持向量机在高光谱遥感图像植被分类中的应用

在分析传统统计模式识别分类方法分类精度不高的现状的基础上,以OMIS—I影像为例,采用基于支持向量机的方法对延河流域枣园地区植被信息进行提取,取得了很好的实验结果。与传统的最大似然分类提取方法相比,基于支持向量机的方法提取精度达90．50％,Kappa系数也超过了0．87,比单纯的最大似然分类方法提取精度高得多,而且该方法具有很强的操作性和实用性。图6,表2,参6。     

基于支持向量机的高分辨距离像分类法

支持向量机 (supportvectormachine ,SVM)是新一代学习机 ,具有良好的泛化性能。高分辨距离像(HRRP)分类是雷达复杂目标分类的重要方法。采用SVM作为分类器 ,研究了飞机目标HRRP分类法。设计了相应的预处理算法 ,并提出了结合VapnikChervonenkis维法和留一 (LOO)交叉验证法的参数选择算法。基于 5种飞机缩比模型的HRRP数据 ,比较了SVM分类法和最大相关分类法的性能 ,研究了噪声、训练用方位角采样数和训练样本集的大小对识别性能的影响。实验结果表明 ,SVM在HRRP分类上具有良好的应用前景。     

基于支持向量机和子空间划分的波段选择方法

高光谱图像具有较高的谱分辨力,从而能够更精确地描述地物目标特性。然而,其较大的数据量和较高的数据维给分析和处理带来很大的困难。高光谱图像间存在着大量的冗余信息,波段选择能够有效地去除冗余信息从而减少计算量。针对一类波段选择方法所选取的波段易于集中而造成信息冗余和信息损失的缺陷,提出一种基于支持向量机和子空间划分的波段选择方法。首先对支持向量机判决函数进行敏感度分析和对数据源进行子空间划分,然后结合敏感度分析结果和子空间划分结果来实现有效的波段选择。实验证明了这种方法的有效性。     

基于超曲面的多类分类方法

使用支持向量机对非线性可分数据进行分类的基本思想是将样本集映射到一个高维线性空间使其线性可分 .基于 Jordan曲线定理 ,提出了一种通用的基于分类超曲面的分类法 ,它是通过直接构造分类超曲面 ,根据样本点关于分类曲面的围绕数的奇偶性进行分类的一种全新分类判断算法 ,不需作升维变换 ,不需要考虑使用何种核函数 ,而直接地解决非线性分类问题 .对数据分类应用的结果说明 ,基于分类超曲面的多类分类法可以有效地解决非线性数据的分类问题 ,并能够提高分类效率和准确度 .     

2D测距图像的特征提取及类别划分研究

测距图像的特征提取和类别划分是计算机视觉的热点问题之一。以2D测距图像为研究对象,提出了一种加权的模糊聚类算法-wFCA算法来进行特征提取。为了自主确定准确的聚类数目,利用多种有效性索引函数对不同聚类算法的有效性进行计算评估,选取一种适合于测距图像有效性分析的索引函数。同时,为了解决聚类算法中局部最优问题,提出一种改进的IVGA遗传算法。通过相关算法的性能比较,所提方法的有效性均得以验证。     

仿真实验与SVM相结合的数据分类方法研究

首先提出了仿真实验与SVM相结合的数据分类方法;其次,利用该方法成功地进行了若干数据分类实验,证明了该方法能够高效、优质地完成体系规划与优化过程中的数据分类任务。此外,还探讨了二分类支持向量机的推导过程,研究了利用仿真实验为二分类支持向量机准备实验样本的具体方法。     

基于SVM的来波方向估计方法

提出了一种采用支持向量机(support vector machine, SVM)建立模型实现来波方向估计的新方法。提取已知方向来波信号在天线阵元间感应的相位差作为模型的输入,利用支持向量回归机对复杂函数的逼近能力构建方向估计模型。充分利用了SVM的结构风险最小原则和泛化能力,使得模型对低信噪比和通道误差具有较强的适应能力。通过正弦和余弦函数变换的方法,有效解决了360°~0°转换不连续性引起的逼近误差,提高了估计精度,并给出了算法的具体实现步骤。实验结果验证了该方法的优越性和可行性。