基于STRUCTURED网的AR模型谱估计方法

本文着重分析了文献[1]中提出的用于求解线性方程组的STRUCTURED同的结构及其所使用的学习算法,改进了STRUCTURED网的收敛性能,并基于STRUCTURED网提出了一种自回归(AR)模型建模方法。这种建模方法的基本思想是用STRUCTURED网求解Yule-Walker型矩阵方程来得到AR模型系数。与现有的其它确定AR模型系数的方法相比,本文方法的优点在于:采用并行处理结构,能直接用VLSI硬件直接实现;不包含常用除法运算,能求解病态Yule-Walker型矩阵方程。     

特定类型音频流泛化识别方法

提出一种基于Mel频率倒谱系数(MFCC)和AdaBoost算法的特定类型音频流泛化识别方法,通过分析特定类型音频流的子类别间的共性和差异性,利用共性特征进行泛化识别,能够准确地检测并定位音频流中特定类型的音频.文中将枪声作为特定类型音频进行研究,通过提取各种枪声子类别的共性,弱化子类间的差异得到一个泛化的枪声模板,利用一个模板就可以支持多子类的准确识别.实验结果表明,算法的识别准确率为87.6%,查全率达到91.8%.     

三类四舍五入数据的点估计问题

首先考虑源于正态分布的样本,在四舍五入后不再服从正态分布,根据四舍五入后的数据构造似然函数,对原正态总体的参数进行估计.然后分别考虑源于AR(1)和MA(1)的四舍五入数据,构造修正的似然函数,对模型参数进行估计.     

基于AR信号处理和KII模型的嗅觉识别算法

信号的特征提取和模式识别方法,在实现准确的电子鼻气体定性分析中尤为关键,本文提出了基于AR信号处理和KII模型的嗅觉识别算法．将传感器信号分为：上升期和稳定期两部分,对上升期信号提取斜率作为特征;对稳定期信号,进行AR建模来提取特征．在电子鼻的模式识别算法上,利用KII模型对气味信号进行分类．该方法充分利用了AR信号处理在信号表示方面的有效性及降维优势、KII模型在模式识别方面的优越性．仿真将该方法与BP网络、AR—BP算法及单KII网络进行了比较,结果表明,AR信号处理技术可以很好的提取特征,并与KII建立相关的数学模型,将AR信号处理技术应用到电子鼻系统中是可行的,且具有更高的识别率．     

基于AR模型和SVM的果蝇振翅声分类

分别对3个不同品系果蝇的振翅声建立了AR模型,提取AR系数和白噪声序列的方差作为特征,然后用支持向量机(support vector machine,SVM)分类同种内的3个不同品系果蝇的振翅声。使用AIC准则确定AR模型的阶数,用Burg方法估计AR模型的参数,用重尾径向基函数作为支持向量机的核函数,实现对不同品系果蝇振翅声的特征提取和分类。实验结果表明3个品系的果蝇振翅声的分类正确率均达到了88%以上。     

基于小波包分析的网络流量组合预测模型

提出一个基于小波包分析的网络流量组合预测模型,将流量数据构成的原始序列进行小波包分解,并将分解得到的各近似部分和各细节部分分别单支重构成低频序列和高频序列.根据低频序列和高频序列的不同特性,分别采用自回归模型（AR）和线性最小均方误差估计（LMMSE）对未来网络流量进行预测,最后重新组合生成预测流量.通过对真实网络流量...     

RBF-AR模型在三峡水电站上网日电量预测中的应用

针对水电站上网日电量数据的非线性特征,采用状态相依自回归(state-dependent autoregressive,SD-AR)模型对数据进行描述。用高斯径向基函数(radial basis function,RBF)神经网络来逼近SD-AR模型的函数型系数,采用一种结构化非线性参数优化方法 (structured nonlinear parameter optimization method,SNPOM)来离线辨识RBF-AR模型系数,并利用此模型对数据进行预测。通过对三峡左岸和右岸水电站上网日电量真实数据进行训练和测试,并与其他经典算法进行比较,验证了RBF-AR模型在不确定条件下的预测准确性和可行性。     

基于时频域特征的人员连续动作分段识别

基于惯性传感器的步态识别研究是人工智能应用到实际生活的典型范例,近几年取得满意的成就.针对日常生活中连续动作类型的信号,对其进行精确分割和识别的效果仍略有不足;这些研究局限于传感器信号的时域特征和一些简单的频域特征,且没有对不同动静状态的动作进行分类.将人类常见6种连续行为分为3类动态动作和3类静态动作,并对其进行分割和识别.使用滤波器去除原始信号噪声干扰.通过滑动窗口分割法进行分割,对每一个窗口片段提取常用传统特征和梅尔倒谱系数,以及倒谱系数的一二阶delta导数等频域特征.将6类动作的不同特征进行多种组合,使用分类器识别不同动作,将不同特征组合的识别结果进行比较.该模型在UCI公开数据集随机抽取了5组测试样本,整体分割识别准确率最高达到98.19％.     

面向多媒体取证的电网频率建模

电网频率建模旨在对其随机波动特性建立数学模型，形成特征描述、统计分析以及轨迹预测能力，是基于电网频率判据的数字取证中一项重要的研究子课题。该文首先揭示了现有自回归模型的不足，并基于该模型对实际观测得到的电网频率参考信号数据集进行统计分析，分别用差分整合移动平均自回归（autoregressive integrated moving average,ARIMA）模型和两种基于马尔科夫链的模型进行建模，进而求解模型各项参数。对比实验表明： ARMA (2,4)模型在理论上对华中电网频率具备最优的描述性能，而马尔科夫链模型因考虑到实际场景下频率分辨率的局限性，更适用于模拟从待测文件中提取的电网频率。     

基于AR模型和神经网络的膝骨性关节炎诊断

本文旨在采用表面肌电信号无创性方法诊断和评判膝骨性关节炎,以在早期能够预防和治疗膝骨性关节炎,改善生活质量。在研究中,采集了对照组和膝骨性关节炎患者水平行走时下肢的股外侧肌,股内侧肌,股二头肌和半腱肌的表面肌电信号。利用表面肌电信号建立自回归(AR)模型,提取AR模型参数为特征向量训练BP神经网络,并通过神经网络诊断膝骨性关节炎。实验表明,基于BP神经网络分类器可以得到较好的结果,正确率可达到88%以上。