区域监测网精密定轨与轨道预报精度分析

我国导航系统采用区域监测网提供轨道预报等导航服务．由于区域网不能覆盖地球中轨轨道（MediumEarthOrbit,MEO）SE星全弧段,并且受卫星相对于监测网几何条件限制,若采用与全球网相同的定轨和预报策略,预报精度难以满足我国导航系统的指标要求．预报精度决定于定轨获得的初轨和力学模型的精度．针对MEO卫星星座的区域监测网定轨预报问题,本文提出两步法策略,即首先解算部分动力学参数和轨道参数,然后强约束这部分动力学参数的估值,重新解算所有动力学参数和轨道,并利用得到的初轨和动力学参数进行轨道预报．利用实测GPS数据的实验表明,采用两步法定轨策略可获得对动力学参数的合理解算结果,并可提高轨道预报精度,预报1天轨道的平均用户距离精度（UserRangeError,URE）优于0．6m．     

基于可生长自组织映射的意识任务分类

在基于脑电（EEG）的脑一机接口技术中，使用可生长自组织映射（SOM）神经网络进行了5类意识任务分类的研究．结果表明：①可生长SOM能够根据数据内部结构自适应地调整确定其映射网络的拓扑形状，在一定程度上反应了数据的分布特征；②可生长SOM更关注那些表达误差比较大的映射单元，从而整体上减小了映射网络的表达误差，提高了对数据模式的表达能力，有利于模式的分类处理；③可生长SOM侧重于表达类别之间的边界信息，这对于分类问题有着积极的作用．与传统SOM相比，使用可生长SOM进行5类分类处理得到的分类精度提高了10％左右，分类正确率可以超过80％，说明可生长SOM在脑-机接口系统中有着很大的潜在应用性．     

多协议下智能家居协议的分类方法

针对市场上智能家居协议标准繁多,加大了流量识别与分类难度这一问题,提出了一种多协议下智能家居协议的分类方法.该方法利用数理统计计算出K-Means聚类算法的K值和聚类初始中心,基于向量空间模型(vec-tor space model,VSM)概念,使用数据对象间的相似度去代替K-Means聚类算法中数据对象间的距离,使用信息熵作为聚类好坏的评估.选用真实环境下捕获的实验数据进行测试验证.结果表明,该方法对多协议下智能家居协议的分类精度达到90％以上.     

基于3D注意力的MobileNet图像分类算法改进

针对MobileNetV2网络在图像分类任务中特征表达不足的问题，提出一种结合注意力机制对MobileNet网络的改进策略。利用一种新颖的高效且无参的注意力模块，同时结合I-block模块来替换MobileNet网络中的倒残差模块，采用RReLU激活函数替代原ReLU激活函数保留更多特征，结合inception结构进行多尺度特征提取与融合，使其可以提供更强的多尺度特征表达并服务于图像分类任务，使用数据扩增技术，生成更多样本。与6种方法进行对比，实验结果表明，采用3D注意力机制的网络在数据集CIFAR-10、CIFAR-100上以最少的网络参数分别取得94.09%和75.35%的最高精度，表明该改进方法可以有效地进行快速图像分类。     

高负荷工况下软化器运行参数的优化研究与实践

通过对软化器进盐、正洗等操作和进水流量、再生液浓度等参数的优化研究，发现预正洗操作的加入，可以将软化器使用压期延长41．1％，周期软水产量上升38．9％。软化器的周期软水产量在进水流量范围90～130m3／h之间与进水流量成反比，下降程度为1．637吨软水／（吨进水。吨树脂）；平均浓度为4．57％N自然溶解的盐水的浓度梯度为6．49％／米；对于同一个软化器，其余条件相同，盏浓度在4．2～5．9％时，软化器周期软水产量与再生液浓度成正比。经过优化后，软水站盐耗下降15．8吨/月，同比下降15．7％，水耗下眸6125吨，月，同比下降8．1％。     

GEO卫星机动后的星历快速恢复方法

GEO卫星可用于导航卫星,存在一个重要的问题是：GEO卫星机动较为频繁,卫星机动力不易建模．基于转发式测轨数据,常用的动力学统计定轨方法在无机动力的巡航状态下可以获得很高的精度,但当机动发生后,预报轨道将很快失效,一直到机动结束后较长时间内星历都不能有效使用．为改善这种状况,我们研究机动后星历的快速恢复方法．首先使用高精度转发式测轨数据,分析了GEO卫星机动情形下的运动规律．然后在卫星机动结束并进入巡航状态后,使用密集的短弧段观测数据,把公共系统偏差、各站系统偏差等作为常数,主要解算6个轨道根数,用统计定轨方法进行轨道预报,减少解算参数提高预报精度,实现卫星星历的快速恢复．结果表明：在目前的转发式测轨网布站情形下,对鑫诺一号卫星,利用15min数据预报2h,轨道精度（O-C）约为5m;利用30min数据预报2h,轨道精度（O-C）约为3m．     

用于动态心电图波形分类改进的K近邻算法研究

针对动态心电图波形数据量大且具有明显个体差异性的特点,提出了一种改进的K近邻分类算法,用于动态心电图波形分类.该算法首先将实例间的度量改为曼哈顿距离（City Block Distance）,然后引入高斯核函数,将K近邻算法改进为非线性分类算法,以达到分类动态心电图波形的目的.实验结果表明,该算法在对动态心电图波形进行分类时,分类精度在90%以上.     

皮料自动分类中纹理分析方法的研究

阐述如何采用图像纹理分析方法对皮件生产中的皮料进行纹理分析识别．在对已有纹理分析方法对比研究以及大量实验的基础上，采用相隔一定距离的水平扫描线上的图象灰度数据作为研究对象，利用从中提取出的特征值，可以对皮料按精细度和深刻度进行识别分类，取得了较高的分类精度，这使皮料纹理的计算机实时自动识别分类成为可能，也为计算机图象处理提供了一种有效的分析方法．     

基于FSWT和GBDT的癫痫脑电信号分类研究

为解决癫痫脑电信号分类类别以及分类精度不足的问题,使用频率切片小波变换对脑电数据进行信号重构,得到5 个频段的节律信号,再利用非线性指标近似熵和线性指标波动指数共同作为癫痫信号的特征值,充分提取信号的特征信息。随后使用梯度提升树算法对得到的特征数据集进行多分类。实验表明,该算法对癫痫脑电信号的三分类识别率为98． 4%。较传统Adaboost 算法,该方法采取了GBDT( Gradient Boosting Decision Tree) 作为分类算法,成功利用更多的数据集,并且使得分类精度更高。     

常压下新型季铵离子液体密度-温度特性及关联

采用振动管密度计测定了常压下[（CH3CH2）2NH2][HSO4]和[（CH3CH2）,NH][HSO4]两种离子液体在熔点以上温度时,每相间0．5℃的密度数据．系统温度的控制精度为±0．01℃,密度的测量精度为±1×10^-5g·cm-3．利用测量密度与对应温度的实验数据．用最小二乘法拟合2种不同的密度方程,给出了密度-温度函数的对应参数．对比得出密度与温度间的适宜函数关系,与实验数据吻合较好．用适宜函数计算[（CH3CH2）2NH2][HSO4]和[（CH3CH2）3NH][HSO4]的密度的平均绝对偏差、最大绝对偏差分别为0．003％、0．001％和0．008％、0．02％,可为离子液体在工程应用中提供基础数据．     

基于粒子群算法优化LVQ神经网络的应用研究

为了解决LVQ神经网络在应用时对初始权值敏感的问题,基于粒子群算法提出PSO—LVQ算法。PSO—LVQ算法利用PSO为LVQ神经网络寻找最适应的初始权值。算法的适应度函数定义为初始权值和输入样本集的平均聚集距离与最大聚集距离的变化率。该定义将输入样本集的数据分布特征作为PSO优化LVQ初始权值的依据。利用PSO-LVQ算法对乳腺癌进行诊断实验,并与其它相关算法进行比较。研究结果表明：PSO—LVQ神经网络算法在收敛性和分类准确率上都有改善和提升,乳腺癌诊断平均准确率可达95．94203％,最高可达100％,适用于乳腺癌的辅助诊断。     

基于局部均值分解和迭代随机森林的脑电分类

为实现癫痫患者的脑电信号有效识别,进而提高患者的生活质量,针对脑电信号的非平稳、非线性特点, 提出一种基于局部均值分解和迭代随机森林相结合的脑电信号分类方法。首先利用局部均值分解将脑电信号 分解成若干个乘积函数分量和一个残余分量,然后对所有分量进行特征提取,并使用支持向量机、随机森林和 迭代随机森林方法进行分类。实验结果表明,迭代随机森林的分类准确率高于支持向量机和随机森林方法。 此方法为准确识别癫痫脑电信号提供了一个可行有效的途径,具有较好的推广和应用价值。     

快速序列视觉呈现任务下的脑电分类算法

提出了一个在快速序列视觉呈现任务下的脑电信号分类算法.将图片序列快速呈现给受试者并将同步采集脑电信号,将脑电信号截取分段作为样本集.通过约束有监督降维后样本与样本中心差值的趋近方向,使用训练集脑电数据训练得到映射矩阵;通过特征提取函数将训练集和测试集的脑电数据样本变换为特征矢量,使用支持向量机对样本进行分类.实验结果表明,算法对24名受试者的脑电信号分类的平均正确率为91.5%,平均AUC达到了0.95,证明脑电分类算法具有良好的分类性能,可以在快速序列视觉呈现任务中准确地识别目标图片.     

基于脑电α波的非线性参数人体疲劳状态判定

提取脑电信号(EEG)的α波并计算其三种非线性参数,在此基础上归纳出用于评估人体疲劳状态的综合判据.首先,在小波变换的基础上,从原始信号中提取EEG的α波,然后计算其最大李亚普诺夫指数、复杂度和近似熵.这些非线性参数的数值可以定量地反映人的生理活动,进而可以用于评价疲劳状态.对现有EEG数据进行计算和统计,归纳出建立在上述三种非线性参数基础上的疲劳状态的综合评估判据.针对18组已知数据,采用上述综合判据得到相应的不同状态的判定结果.与实际情况相对照,对疲劳和非疲劳状态的评估准确率接近100%,但对轻微、中等和严重疲劳状态之间的区分精度稍低一些.     

基于粒子群优化支持向量机康复下肢外骨骼的脑电控制研究

为解决失能人群自主移动的问题,脑机接口(brain computer interface, BCI)已广泛应用于外骨骼领域,但脑电(electroencephalogram, EEG)信号因信噪比低等原因导致识别率一直难以提高。为提高基于脑机接口下肢外骨骼的信号识别率,采用粒子群优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)算法提高脑电信号识别率,取得了86.52%的脑电信号识别率。首先建立共空间模式(common spatial pattern, CSP)数学模型对脑电信号进行特征提取,随后建立基于粒子群优化的支持向量机分类模型,优化脑电信号分类关键参数,将最终的实验数据与传统的支持向量机分类方法比较,最后进行算法的验证及下肢外骨骼实验。实验结果表明：经过粒子群优化的支持向量机分类准确明显高于传统支持向量机分类。所提出粒子群优化支持向量机对脑电信号的特征识别方法可实现运动想象(motor imagery, MI)的精确识别,为脑机接口技术在康复外骨骼领域的应用提供理论基础和技术支持。     

基于视觉和操作类脑电信号的脑力负荷分类

针对视觉和操作类任务，提出了一种基于脑电独立分量特征的脑力负荷分类方法.利用独立分量分析法从混合脑电信号中分解获得脑电信号的独立分量，再提取脑电独立分量的4个不同频段的能量特征，并对能量特征进行分类.基于脑电信号特征和脑电独立分量特征分别进行了脑力负荷分类实验，得到平均分类准确率分别为60.52%，86.14%，后者比前者提高了42.33%.     

语言刺激对镜像神经系统激活情况的研究

镜像神经元在人类的动作理解,言语与语言,共情等方面都有深刻的影响,言语知觉的运动理论更是验证了镜像神经系统在人体中的重要作用.本文通过图片、音频、有声嘴部动作视频作为实验刺激,采集被试默读不同汉字时的脑电,进行预处理与时频分析,采用共空间模式生成脑电地形图,利用支持向量机得到3种刺激材料下不同状态的分类正确率.结果表明：随着刺激针对感官维度的加深,被试大脑运动皮层有明显激活,且激活范围更加集中明显,分类正确率也相应提升.音频刺激相对于图片刺激,两字的分类正确率总平均提高2.5%.视频刺激相对于图片刺激,两字的分类正确率总平均提高4.3%,为以后应用于临床脑损伤治疗做准备.     

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%。     

脑电信号中独立分量特征提取与脑力负荷分类

脑力负荷过高会造成作业绩效下降和人因事故,过低则会造成人力资源浪费,所以研究操作人员脑力负荷状态非常有意义。现有脑力负荷分类方法利用脑电(electroencephalogram, EEG)信号特征进行分类,准确率较低。所以,本文针对视觉和操作类脑力负荷提出一种基于脑电独立分量特征的分类方法,该方法采用独立分量分析(Independent Component Analysis, ICA)对脑电信号进行分离,直接对得到的独立分量提取四种不同频段的能量特征,最后将特征作为支持向量机(Support Vector Machine, SVM)的输入,对脑力负荷进行分类。由于直接使用脑电独立分量特征,所以分类精度高于现有方法,平均分类精度提高29.14%。本文还进一步发现脑电独立分量中存在的眼电伪迹对分类结果没有明显影响。本文提出的方法可以实现快速、准确、自动的脑力负荷分类。     

基于运动相关脑电特征的手运动方向识别

为了研究如何从无创运动相关脑电中提取运动信息作为上肢主动康复训练的控制命令,通过设计实验,使右手完成左、上、右3个方向的运动,同时采集脑电数据和右手运动信息.通过小波时频分析确认与右手运动相关的脑电频带,并提取其小波分解系数作为特征,采用支持向量机进行特征分类,根据方向识别准确率分析提取特征的有效性.结果表明,运动脑电delta和theta频段的小波系数特征可以有效区分右手不同方向的运动,方向识别准确率的均值接近65%,并且用准备阶段特征分类的结果普遍优于运动阶段特征,因此,在手运动之前诱发的脑电活动含有丰富的运动信息,可用于脑-机接口系统提取上肢主动康复训练的控制命令.