脑电信号频带能量特征的提取方法及分类研究

研究了基于运动想象脑电信号脑-机接口的特点,根据事件相关去同步和事件相关同步现象对GRAZ大学提供的想象左右手运动时的脑电数据进行μ节律和β节律处的频带能量提取,针对频带能量特征提取过程中滑动时间窗口长度往往依据经验选择的缺点,提出使用交叉验证的方法对最佳滑动时间窗口的长度进行选择,通过对比几种分类器的分类结果,得出在窗口长度为2s时使用支持向量机分类器可以获得最佳分类效果,对训练数据集的平均分类识别正确率最大可以达到91.4%,而在该窗口长度下对测试数据集的最大分类正确率为87.9%,最大互信息0.56bit,表明该频带能量特征提取方法结合支持向量机分类器比较适合于BCI的研究。     

基于遗传算法的生物网络自适应负载平衡实现

自适应性网络环境将成为未来Internet的不可缺少的重要构成部分,而生物网络由分散的、自治、移动的个体组成,能够自我调整、适应和生存。在提出的生物网络框架中设计了一种特殊的生物实体——调度生物实体,利用调度实体来指导生物实体的移动,以期获得生物网络的负载平衡。然后提出了一种基于遗传算法的负载平衡算法,该算法以网络负载平衡为优化目标,使实体相对均衡地提供服务,达到合理利用生物网络资源,增强其自适应性的目的。最后,对网络服务使用进行仿真,实验结果证明了算法的有效性。     

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.     

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.     

基于云模型的参数自适应蚁群遗传算法

蚁群算法基于正反馈机制进行全局搜索,具有很强的全局收敛能力;遗传算法具有极强的快速全局搜索能力。为了充分发挥两种算法在寻优过程中的优势,提出一种基于正态云关联规则的自适应参数调节蚁群遗传算法。该算法利用云关联规则实现了蚁群策略和遗传策略的有效融合,极大程度地发挥其整体功能,动态地平衡了算法收敛速度和搜索范围之间的矛盾,最后通过实例证明了其在解决TSP问题时的有效性。     

自适应调整选择压力的灾变元胞遗传算法

对于遗传算法而言,全局探索和局部寻优能力之间的平衡影响算法的性能,选择压力就代表着这个平衡.只有当全局探索和局部寻优之间的平衡达到最佳化才能够使算法又快又精确的寻求到全局最优解.随着算法运行,种群结构不断的变化,选择压力也在不断变化.分析研究了灾变元胞遗传算法的选择压力,根据种群多样性和种群收敛度,提出一种基于灾变参数调节选择压力的自适应元胞遗传算法.通过两个典型函数优化实验,表明选择压力自适应调节可提高算法性能,并得出这两个函数在寻优过程中的最佳选择压力变化规律,这为自适应算法设计提供了一种新的途径.     

基于自适应遗传算法的多目标PID优化设计

提出一种基于自适应遗传算法的多目标PID优化设计方法。采用染色体实数编码和具有自适应交叉概率和变异概率的遗传算法对PID参数寻优,有效地提高了遗传算法的全局搜索能力和收敛速度。通过在适应度函数中引入表示超调量、上升时间和稳态误差的指标项,并对指标项适当加权,可使优化后的PID调节器的综合性能达到满意程度。仿真结果表明,该PID调节器的性能优于常规方法获得的PID调节器。     

基于遗传算法的供应链联盟伙伴选择

在描述供应链联盟伙伴选择多目标决策模型的基础上,提出了一种求解供应链联盟伙伴选择优化问题的自适应遗传算法,并以实例说明了该算法的有效性.     

基于竞争策略的链式智能体遗传算法用于特征选择的研究

针对特征选择问题,提出了基于竞争策略的链式智能体遗传算法(LAGA).该LAGA算法包含链式智能体网络结构,邻域竞争,自适应交叉,自适应变异,优良个体替换策略,自适应结束等部分,该算法能较好的保持智能体的多样性,在进化中既较佳的继承了优良个体的基因,又有效地搜索了新的空间.多组实验结果表明,通过该算法选择得到的最优特征子集具有较好的稳定性,较高的识别准确率和较低的网络分类器维数复杂度.     

基于自适应蚁群算法的组合式特征选择算法

提出一种基于自适应蚁群算法的组合式特征选择算法.将自适应蚁群算法用于特征选择,以特征作为位置点,采用支持向量机分类器评价特征子集的性能,指导特征进行信息素的计算和更新,为特征与特征子集的选择提供了依据,避免了盲目搜索,使搜索算法能够快速收敛.在8组实际数据集中的实验结果表明,从分类正确率、特征子集大小以及运行时间三个角度考察,该算法具有良好的综合性能.同时,给出了该算法应用在孤立肺结节CT图像的检测和诊断中的分类结果.     

轮询式多准则特征选择算法的研究

特征选择是复杂模式分类系统中重要预处理过程.针对filter模式下遗传算法特征选择精度不高,wrapper模式特征选择时间代价较高的缺点,提出了一种新的特征选择算法.该算法设计了搜索性能较好的链式智能体遗传算法为搜索算法,引入多个评价准则进行轮询式选择.实验将算法与filter模式下多种单准则特征选择算法以及wrapper模式下特征选择算法进行了比较.实验结果表明,此算法具有比filter模式下单评价准则选择精度更高的特点,同时选择时间代价远远低于wrapper此模式下的特征选择算法,因此,该算法可用于设计实用高识别正确率的模式分类系统.     

基于自适应遗传算法的渠系优化配水模型研究

针对现有的建立在假定下级渠道配水流量相等基础上的渠道优化配水模型与绝大多数渠系实际配水要求不相符合等问题,研究了下级渠道流量不等时的渠系优化配水模型及其求解方法,并通过实例对基于自适应遗传算法和基本遗传算法的模型求解方法进行了比较。结果表明,与传统方法编制的配水方案相比,提出的模型和算法确定的渠系优化配水方案斗渠配水时间搭配合理、支渠配水流量均匀,符合优化配水原则;利用自适应遗传算法求解模型,能在进化过程中按个体优劣和群体分散程度自动调整遗传控制参数,可显著加快收敛速度和提高计算稳定性,具有较高的工程应用价值。     

一种小种群自适应遗传算法研究

分析了变异算子在标准遗传算法和自适应遗传算法中的作用和当前研究的不足,提出一种新颖的能够大大提高遗传算法性能的变异策略,并进而提出一种小种群自适应遗传算法.该方法在采用赌轮选择和单点交叉的情况下,利用一种可伸缩的变异策略使得算法在探测和开发之间取得很好的平衡,从而能够用小规模的种群进行有效的全局搜索和局部搜索,避免早熟收敛,并能够以较快的速度收敛到全局最优解.对多峰函数的仿真实验表明了算法的有效性.     

一类混合自适应遗传算法及性能分析

在繁殖种群选择 ,生存策略中引入 Boltzmann生存择机制 ,并根据种群平均适应值的变化自适应地调整变异率 ,同时本文采用新的变异方式 ,以保持种群的多样性 ,从而避免遗传算法中的过早收敛问题 ,同时和单纯形法相结合 ,大大加快了收敛的速度.     

基于自适应遗传算法的无人机航迹规划方法研究

随着攻防系统的发展与完善,实现飞行器有效突防越来越困难,而采用航迹规划技术能够有效的提高飞行器的突防概率.基于此,首先研究了参考航迹的角度、高度以及航迹段长度等约束条件;其次对航迹编码方式进行了改进,采用全实数的双向链表的编码方式;对自适应遗传算法的交叉和变异概率的计算方法、交叉算子和变异算子进行了改进,并应用该算法在求解航迹规划问题上进行了仿真研究,对采用不同的变异算子所得结果进行了对比分析.仿真计算的结果表明,该算法能够规划出一条满足要求的参考航迹,采用组合变异算子能取得比采用单个变异算子更优的参考航迹.     

求解FJSP的自适应免疫遗传算法

借鉴生物免疫系统的免疫调节机理,提出一种求解柔性作业车间调度问题的自适应免疫遗传算法(AIGA).该算法在保留基本遗传算法(SGA)随机全局搜索能力的基础上,通过引入免疫算子和种群的自适应调节策略,保持了群体的抗体多样性.实验结果表明,该算法可有效改善基本遗传算法的未成熟收敛和局部搜索能力差的缺点,具有很好的全局收敛能力,能有效解决柔性作业车间调度问题.     

基于遗传算法的脉冲耦合神经网络自动系统的研究

Eckhorn等人提出的脉冲耦合神经网络(PulseCoupledNeuralNetwork,以下简称为PCNN)在图像处理中得到了十分广泛的应用,但是其多个参数的设置给实际应用造成了很大的困难。尤其是在图像分割中,不同类型的图像要求不同的分割参数,不同的参数对图像分割结果影响很大。而遗传算法具有对参数自动寻优的优势,为此,将其和PCNN相结合提出了一种基于遗传算法的PCNN自动系统的实现方案,并应用于图像分割。分割试验仿真结果验证了该自动系统方案的正确性和可信性,即不仅可以实现正确的图像分割,而且参数可以自动设置省去了人工试验的麻烦,同时分割速度也有所提高。     

遗传神经网络特征提取及在分类中的应用

将遗传算法和神经网络结合应用于乳腺癌细胞分类,首先利用遗传算法随机提取训练集的属性特征,然后用提取特征后的训练集训练神经网络,最后得筑必要的特征子集优化网络结构,仿真实验结果表明,遗传神经网络不仅可以优化神经网络的权值和阈值,还能有效地找出线性可分离特征子集,从而达到降低数据维数并提高分类精度的目的。