RBF神经网络在诱发脑电信号分类中的应用研究

采用RBF神经网络方法对麻醉状态下诱发脑电仿真信号进行分析,提出了一种通过基于RBF神经网络权值构造特征向量的特征提取方法,以达到提取信号特征的目的,并用BP神经网络分类器对提取的特征进行聚类,从而实现深浅麻醉状态下诱发脑电信号的分类,实验仿真结果表明了该方法的有效性．     

基于双谱识别和人工免疫网络的智能故障检测

针对故障诊断中人为评估振动谱图而导致诊断结果不稳定的情况,提出基于振动谱图模式识别的故障诊断方法,利用Hilbert包络分析和双谱分析的组合方法来提取振动信号的故障频率特征,进而采用双谱图的灰度共生矩阵（GLCM）及其特征统计量来表征故障特征.改进了人工免疫网络（AIN）分类算法,将特征统计量作为抗原,通过对抗原的学习训练,形成记忆抗体集;通过判断待检验抗原与记忆抗体的匹配程度,实现故障分类识别.滚动轴承故障诊断实践证明,人工免疫网络分类方法具有良好的适应性,取得了较BP神经网络更好的检测准确率.     

基于小波分析和神经网络的渗碳层深度分类

提出了一种基于小波理论的新的特征值提取方法,较全面地反映了信号的时频特征,并将小波包提取的特征值输入到BP网络,对7种不同渗碳层深度的试件进行了分类.实验结果表明,小波包特征值提取和BP神经网络分类器相结合,可以实现对不同渗碳层深度的分类,其效果良好、精度较高,有一定的实用价值.     

基于振动信号分析和支持向量机的滚动轴承故障诊断

针对滚动轴承出现故障时产生的振动信号具有非平稳信号的特点,通过小波包变换提取故障信号的特征向量,采用支持向量机分类器对提取的特征向量进行多类故障分类.通过与BP神经网络分类器进行对比研究,结果表明,在有限故障样本条件下,支持向量机分类器比BP神经网络分类器具更好的分类性能.     

基于db4小波变换与BP神经网络的暂态电能质量扰动分类方法

电能质量扰动信号的分类识别是进行电能质量扰动分析和治理的重要前提.提出一种应用小波变换与神经网络相结合的暂态电能质量扰动分类方法.首先,针对暂态电能质量扰动信号的特点,选择db4小波变换来获得各层上的能量值,以提取不同扰动信号的特征参量.再通过确定适当的BP神经网络模型,对输入的扰动特征参量进行分类识别.仿真结果表明,该方法可以有效区分几种暂态电能质量扰动事件,且识别率较高.     

基于纵横交叉算法优化BP神经网络的风机齿轮箱故障诊断方法

风电机组齿轮箱的运行工况比较复杂,容易发生故障. 针对常规BP（Back Propagation）神经网络故障诊断容易陷入局部最优的问题,提出一种基于纵横交叉算法（Crisscross Optimization Algorithm,CSO）优化BP神经网络的风电齿轮箱故障诊断新方法. 考虑到风电齿轮箱振动信号的波动性和非线性,首先从信号中提取故障特征参数,建立带评价因子的误差分析模型,然后通过纵横交叉算法优化BP的权值和阈值对神经网络进行训练,最后用训练好的神经网络对样本进行测试. 经实验仿真并与其他方法的对比,验证了本文方法用于风电机组故障诊断有效性及优越性.     

基于神经网络的气体目标识别方法

研究神经网络在战场气体特征目标识别应用中的有效算法.通过建立战场目标气体特性探测与分析系统,针对战场上不确定背景条件下气体目标的自动识别问题,在总结目标特性规律,分析BP算法的基础上,采用BP算法对分类器进行训练,改善系统对信号的探测能力.典型战场目标信号样本检验表明:利用基于神经网络的分类器来实现对战场气体目标的识别分类是可行的.     

基于小波和神经网络的传感器故障诊断

提出了一种新的基于小波包变换和BP神经网络的传感器突变故障诊断方法。根据小波变换在时域和频域都具有良好的局部化特性对信号特征进行精确定位,根据传感器输出信号的小波包分析提取能量变化率的特征向量,利用BP神经网络进行传感器故障分类。这种方法无需预先建立传感器模型和测量传感器输入信号,通过对小波包系数的削减,减少了冗余数据,提高了故障检测的实时性。仿真实验结果表明了该方法的有效性。     

基于小波变换与BP神经网络的声发射信号识别

针对现有声发射信号识别参数分析法的不足,提出利用小波变换特征提取与BP神经网络结合的声发射信号识别方法。利用db2小波对声发射信号进行6层分解,将细节特征空间的能量作为声发射信号特征向量;结合声发射信号特点设计和训练BP神经网络,通过实验确定隐层神经元数;用BP和RBF神经网络分别对腐蚀、裂纹和冷凝声发射信号进行分类测试。实验结果表明,提取的声发射信号特征具有较好的区分性能,BP网络在识别声发射信号方面优于RBF网络,这对储油罐安全状况的定量分析具有一定意义。     

基于AR模型的车型自动分类技术

利用AR参数模型提取采集到的车辆行驶时产生的车外噪声信号的特征,再用假设检验进行特征选择,并设计了BP神经网络进行分类识别。本文对道路现场采集到的两种车型共计74个信号进行分析,实验结果表明:通过AR参数模型提取车辆车外噪声特征实现车型自动分类是可行的,其分类的正确率达80%以上。     

基于RBF -BP神经网络融合的医学数据分类研究

为改善传统的反向传播(BP)神经网络和径向基函数(RBF)神经网络的学习能力和分类性能的不足,提出一种融合RBF网络与BP网络的混合神经网络算法(HRBF -BP),并将其应用到医学数据分类问题中.在网络结构的实现上,将RBF隐藏层与BP隐藏层进行级联融合,即在连接BP网络输入层与隐藏层之间加入RBF核映射层; 在学习算法的实现上,先采用k-均值聚类算法来实现RBF核参数的估计,然后再使用基于随机梯度下降的BP算法实现级联BP网络的权值优化.将该算法与SGBP、KMRB、PFRBF等算法在不同的医学数据集上进行分类实验对比表明,该方法的网络训练精度以及测试精度均优于SGBP、KMRB、PFRBF算法; 因此,该方法对提高BP网络和RBF网络的学习能力和分类性能具有良好的参考价值.     

基于EEMD的ICNN故障诊断方法

针对轴承微弱故障特征提取困难和故障诊断准确率低等问题,提出一种基于集合经验模态分解的改进卷积神经网络的故障诊断方法。首先,利用集合经验模态分解(EEMD)对信号进行降噪等预处理,并将预处理后的信号转换为二维信号;其次,为了解决数据特征不确定性和卷积神经网络(CNN)内部参数爆炸的问题,在CNN的卷积层和池化层之间增加批量归一化层进行标准化处理,得到改进的卷积神经网络(ICNN);最后,以风电机组轴承微弱故障数据集为例,验证了所提方法相较于其他诊断方法更具有优越性,能够有效提取故障特征,具有较高的准确率和诊断效率。     

基于多神经网络分类器的军事目标识别方法研究

对军事目标类型的识别是军事信息处理中的一个重要环节.本文首先对军事目标进行特征提取,以矩和圆度两种不变矩特征向量作为神经网络的输入,分别采用了BP神经网络、自组织竞争网络、Hopfield网络对军事目标进行识别,最后采用了分类器多数投票法对识别结果进行融合,仿真实验结果表明采用多神经网络分类器融合的方法比单一神经网络识别率高,这对提高军事信息处理的准确性具有重要意义.     

基于注意力时序网络的非侵入式负荷分解

非侵入式负荷分解的本质是根据已知的总功率信号分解出单一的负荷设备的功率信号.目前基于深度学习模型大多存在网络模型负荷特征提取不充分、分解精度低、对使用频率较低的负荷设备分解误差大等问题.本文提出一种注意力时序网络模型(Attention Recurrent Neural Network, ARNN)实现非侵入式负荷分解,它将回归网络与分类网络相结合来解决非侵入式负荷分解问题.该模型通过RNN网络实现对序列信号特征的提取,同时利用注意力机制定位输入序列中重要信息的位置,提高神经网络的表征能力.在公开数据集Wiki-Energy以及UK-DALE上进行的对比实验结果表明,本文提出的深度神经网络在所有考虑的实验条件下都是最优的.另外,通过注意力机制和辅助分类网络能够正确检测设备的开启或关闭,并定位高功耗的信号部分,提高了负荷分解的准确性.     

基于深度卷积神经网络的睡眠分期模型

针对现阶段数据和特征决定睡眠分期模型的分类精度上限的问题,提出深度卷积神经网络模型. 在模型主体构建方面,并行卷积网络可以自动学习原始信号的时域特征和频域特征,特征融合网络通过空洞卷积和残差连接进行多特征融合,分类网络基于融合后的特征进行睡眠分期. 利用生成少数类过采样技术（SMOTE）减少类别不平衡对分类效果的影响,结合两步训练法对模型进行优化. 实验使用Sleep-EDF数据集的原始单导脑电信号（Fpz-Cz通道）对模型进行20折交叉验证,得到总体精度和宏F₁分别为86.73%和81.70%. 提出的深度卷积模型在没有任何先验知识的情况下,对脑电信号进行端到端的学习,分类准确率优于传统的深度学习模型.     

融合小波包和神经网络的脑电信号处理方法

针对运动想象脑电信号处理中分类准确率较低的问题,提出了一种基于能量（二阶矩）小波包变换和莱文伯格-马夸特神经网络算法相结合的运动想象脑电信号处理方法.首先,利用能量方法对信号进行时域分析,选取有效的时序段;然后,使用小波包变换对所选有效时域段的各导信号进行时频分解,选取与想象任务相关的频段信息重构脑电信号特征;最后,将各导信号重构的特征串接,导入基于莱文伯格-马夸特训练算法的神经网络实现最终的任务分类.利用2个脑电信号标准竞赛数据库进行方法验证,分别取得了95.62%和90.13%的分类准确率.与近期的一些研究成果进行对比,可知该方法具有较好的分类效果.     

利用模块化残差网络的图像隐写分析

为了提高图像隐写分析方法对小嵌入率隐写术检测的准确性,针对小嵌入率隐写术提出一种基于高度模块化网络结构的图像隐写分析方法。首先,通过重复残差网络单元来构建基础网络模型,以提取数字图像中的复杂统计特性;其次,增加分组卷积以提取残差图像通道信息,加强来自隐写信息的信号特征;最后,利用大量数据集对网络进行训练,得到了基于模块化残差网络的图像隐写分析方法。实验结果表明,所提方法相较于现有算法可以提取更有效的图像特征,从而得到更好的检测效果。同时,利用残差网络块作为模板,可以很容易地搭建网络模型,便于网络的调整和训练。     

基于模糊BP神经网络的抑郁症分诊系统

基于模糊逻辑和BP神经网络相结合的方式,提出了一种抑郁症的早期自动诊断方法,研究了抑郁症的分诊指标和分级标准的确定和模糊处理方法,把模糊量化的数据作为BP神经网络的输入,构建了合适的3层BP神经网络。仿真结果显示,综合运用模糊算法和BP神经网络的方法能达到优势互补的效果,构建的模糊神经网络用于抑郁症的诊断是可行的。     

中医脉象信号的参数化双谱估计及切片分析

采用ARMA参数化双谱估计法对15例吸毒者和15例正常人的脉象信号进行了参数化双谱估计.在得到每一例脉搏波的归一化双谱幅值对角切片后,应用K-L变换得到30个样本特征向量,然后设计4-9-1的BP神经网络进行模式识别.除1例正常人被误判外,其余的受测者全部予以正确识别.研究结果表明,归一化双谱对角切片与K-L变换相结合的方法是提取中医脉象信号特征的有效方法.这种方法与BP神经网络的联合应用,对海洛因吸毒者和正常人的脉象信号具有很高的识别率.