多类运动想象脑电信号特征提取与分类

针对多类运动想象情况下存在的脑电信号识别正确率比较低的问题,提出了一种将小波包方差,小波包熵和共同空间模式相结合的脑电信号特征提取,输入到支持向量机达到分类目的。首先选择小波包去噪后重要导联的脑电信号,进行小波包分解;然后对通道优化选取的重要导联的每个通道信号计算方差和熵值,对重要导联的每个通道信号的子带系数进行重构后,进行共同空间模式特征提取;最后结合2种不同导联方式所获取的特征向量进行分类。采用BCI2005desc_IIIa中l1b数据,该算法的分类正确率最高达到88.75%,相对2种单一的提取方法分别提高28.27%和6.55%。结果表明该算法能够有效提取特征向量,进而改善多类识别正确率较低的问题。     

基于自适应无参经验小波变换和选择集成分类模型的运动想象

运动想象模式识别率的提高对脑机接口(BCI)技术的应用具有重要意义,本文采用自适应无参经验小波变换(APEWT)和选择集成分类模型相结合的方法提高脑电(EEG)信号的分类识别准确率.首先,通过APEWT将EEG信号分解成不同的模态;然后,使用最优模态重构后的信号计算其能量谱(ES)特征,使用最优模态分量计算其边际谱(MS)特征;最后,将不同时间段的ES特征和不同频段的MS特征输入到构建的选择集成分类模型中,从而得到其分类结果,并将该方法与其他4种组合方法进行比较.实验结果表明,本文方法具有较好分类准确率和实时性,其平均分类正确率高于其他4种方法,同时较近期使用相同数据的文献也有优势.本文为在线运动想象类BCI的应用提供了新的方法和思路.     

基于多类支持向量机的恒星光谱分类方法

支持向量机作为一种经典的分类方法被广泛应用于恒星光谱分类领域。该方法在实际应用中取得了较为理想的分类效果,但其面临无法解决多分类问题的挑战。在支持向量机的基础上,提出多类支持向量机,建立基于多类支持向量机的恒星光谱分类模型。该方法的最大优势是经过一次分类过程,可以确定多类样本的类属。SDSS DR8恒星光谱数据上的比较实验表明,本研究所提的方法较之已有多分类方法在分类性能上有一定的提升。     

基于广义窗函数和最小二乘支持向量机的混沌背景下微弱信号检测

为了从混沌背景中检测微弱信号,研究分析了复杂非线性系统的相空间重构理论,提出了一种基于广义窗函数的最小二乘支持向量机的预测法. 该方法以广义嵌入窗为基础,利用自关联函数法确定Lorenz系统的嵌入维数和时间延迟, 实现相空间重构,结合最小二乘支持向量机建立Lorenz系统的误差预测模型, 检测微弱目标信号(瞬态和周期信号).仿真实验表明,该方法的预测模型具有较小的误差, 能够有效地从混沌背景噪声中检测出微弱目标信号,减小噪声对目标信号的影响. 与传统方法相比,在降低检测门限的同时,能够有效地提高预测的精度, 在混沌噪声下信噪比为-87.41 dB的情况下,相对于传统支持向量机方法所得的均方根误差0.049(-54.60 dB时)降低近两个数量级至0.000036123(-87.41 dB时).     

过滤窗最小二乘支持向量机的混沌时间序列预测

传统的滑动窗策略只是简单且机械地将最远的数据移出窗口, 而将最近的数据移进窗口. 针对这种遗忘策略存在的缺陷, 提出了过滤窗策略. 过滤窗采用"优胜劣汰"的选择机制, 将对模型贡献比较大的数据留在窗口当中. 将过滤窗和最小二乘支持向量回归机相结合, 提出了过滤窗最小二乘支持向量回归机. 与滑动窗最小二乘支持向量回归机相比较, 过滤窗最小二乘支持向量回归机具有较小的计算量, 需要较短的窗口长度就能达到和滑动窗最小二乘支持向量回归机几乎相同的预测精度, 而较短的窗口长度又预示着较少的计算量和较好的实时性. 混沌时间序列在线建模和预测的实例表明了过滤窗最小二乘支持向量回归机的有效性和可行性. 关键词： 混沌时间序列 支持向量机 滑动窗 过滤窗     

基于多分类支持向量机的船舶桨叶数识别研究

分析了目前常用的支持向量机多分类方法以及存在的不足,本文提出了一种混合纠错输出编码的多分类支持向量机改进算法,并应用于利用船舶目标辐射噪声DEMON谱进行船舶桨叶数分类的实验。理论分析与实验结果表明,该改进算法编码明确、具备纠错能力,是一种有效的多分类支持向量机方法,在船舶桨叶数识别中,其分类性能优于一对余、一对一及最小输出编码支持向量机等多分类方法,可适用于船舶桨叶数的分类识别。     

基于荧光光谱的苹果汁品种产地分类研究

苹果的品种对于苹果汁的质量是极其重要的,因此检测苹果汁的品种产地对于打击假冒伪劣产品,维护消费者的合法权益是十分有必要的。本文采集了云南和陕西两个区域的不同品种的苹果所榨的89份苹果汁的荧光光谱,其中62个样品作为建模集利用支持向量机进行了建模并进行交叉验证,识别准确率为100%。剩余的27个样品作为验证集对模型进行验证,识别准确率为96.3%。实验结果证明荧光光谱结合支持向量机技术是一种可靠的检测果汁品种产地的技术手段。     

基于有序分割的支持向量机多分类方法

针对模拟电路多故障分类中存在拒识区域,分类效果不理想的问题,提出基于有序分割最佳偏二叉树结构的模拟电路故障诊断方法;首先分析多分类中分割次序对结果的影响,通过样本类中心欧式距离对故障分割进行排序,以此构造偏二叉树结构;然后对采样数据进行主成份分析降维压缩,最后采用支持向量机作为分类器,对故障数据进行分类;该方法可以使样本类间距离最大,提高了支持向量机模拟电路故障分类的效率和准确度;故障诊断结果表明文章提出的诊断方法在精度提高的情况下,所需训练时间和支持向量数目大大减少,更具稀疏性。     

基于支持向量机的假酒近红外光谱识别分类研究

一般的检测假酒中甲醇的化学方法虽然结果较准确,但操作复杂、费用昂贵且对实验的环境条件要求严格.为此,提出了一种基于支持向量机对掺甲醇的假酒光谱进行识别与分类的方法.采用ASD FieldSpec 3光谱仪测量了样品溶液的反射光谱;通过对反射光谱进行平滑、导数等预处理并进行相关性分析和单变量回归分析,得出假酒中甲醇光谱不被乙醇光谱掩盖的特征峰作为特征谱带;最后用特征谱带训练分类模型并得到分类结果.结果表明:以甲醇含量小于等于3%为真酒的总体分类准确度为85%,以甲醇含量小于等于5%为真酒的总体分类准确度为97.5%;证明该方法是可行的且具有较高的分类准确度.     

基于离散余弦变换和支持向量机的多光谱纹理图像的茶叶分类研究

提出一种利用多光谱图像纹理特征进行茶叶分类的新方法。图像由MS3100-3CCD光谱成像仪获得,光谱成像仪提供近红外(NIR)、红色(R)和绿色(G)的3个波段的图像。首先对原图像的NIR波段图像提取均方值,然后应用离散余弦变换算法,构造出8个带通和高通滤波器对NIR通道的图像进行滤波并提取均方差值,最后应用支持向量机技术,分别对原图像的NIR提取的均方差值和用8个滤波器滤过的图像提取的均方差值进行建模。茶叶样本总共为240个,训练和预测各为120个,每种训练样本和预测样本各为20个。结果表明经过8个滤波器处理图像的识别率为100%,而没有经过滤波处理的纹理图像识别率只有73.33%,说明离散余弦变换算法设计的滤波器是一种非常有效的纹理识别技术,此实验同时也为茶叶的分类提供一种快速和无损的新方法。     

基于支持向量机的近红外光谱鉴别茶叶的真伪

快速准确地鉴别名优茶的真伪是当前茶叶行业亟待解决的一项重大课题。针对这一现状,提出了一种快速准确鉴别名优茶真伪的新思路。试验中,以碧螺春茶为研究对象,利用近红外光谱分析技术结合支持向量机(SVM)模式识别原理建立碧螺春茶真伪鉴别模型。试验结果显示,通过标准归一化(SNV)预处理,选取6500~5500 cm-1波长范围内的光谱经过主成分分析后,提取11个主成分,选用径向基函数(RBF)作为核函数建立的模型最佳。对训练集中的138个茶叶样本,模型的回判鉴别率达到93.48%;对90个独立样本进行预测时,模型的预测鉴别率达到84.44%。研究结果表明基于支持向量机的近红外光谱鉴别名优茶真伪的方法是可行的。     

基于时频谱特征的白酒品质分类方法研究

为了建立快速、准确的白酒品质鉴别方法,利用机器学习方法对不同品质的白酒建模.为了提取不同品质白酒的特征,使用离子迁移谱对不同品质白酒进行分析,构建了基于白酒离子迁移谱信号的特征向量,并对不同品质的白酒进行了识别与分类.白酒样本的离子迁移谱信号通过利用美国Excellims公司GA2100型电喷雾-离子迁移谱仪(ESI-...     

流形判别分析和支持向量机的恒星光谱数据自动分类方法

尽管经典的分类方法支持向量机SVM在天文学领域广泛应用,但其只考虑类间的绝对间隔而忽略类内的分布性状,因而分类性能有待于进一步提升。鉴于此,提出一种新颖的基于流形判别分析和支持向量机的恒星光谱数据自动分类方法。该方法引入流形判别分析的两个重要概念：基于流形的类内离散度M_W和基于流形的类间离散度M_B。所提方法找到的分类面同时保证M_W最小且M_B最大。可建立相应最优化问题,然后将原最优化问题转化为QP对偶形式求得支持向量和判别函数,最后利用判别函数判断测试样本的类属。该方法的最大优势在于进行分类决策时,不仅考虑样本的类间信息和分布特征,而且还保持了各类的局部流形结构。SDSS恒星光谱数据上的比较实验表明该方法的有效性。     

A Novel Framework for Anomaly Detection for Satellite Momentum Wheel Based on Optimized SVM and Huffman-Multi-Scale Entropy

The health status of the momentum wheel is vital for a satellite. Recently, research on anomaly detection for satellites has become more and more extensive. Previous research mostly required simulation models for key components. However, the physical models are difficult to construct, and the simulation data does not match the telemetry data in engineering applications. To overcome the above problem, this paper proposes a new anomaly detection framework based on real telemetry data. First, the time-domain and frequency-domain features of the preprocessed telemetry signal are calculated, and the effective features are selected through evaluation. Second, a new Huffman-multi-scale entropy (HMSE) system is proposed, which can effectively improve the discrimination between different data types. Third, this paper adopts a multi-class SVM model based on the directed acyclic graph (DAG) principle and proposes an improved adaptive particle swarm optimization (APSO) method to train the SVM model. The proposed method is applied to anomaly detection for satellite momentum wheel voltage telemetry data. The recognition accuracy and detection rate of the method proposed in this paper can reach 99.60% and 99.87%. Compared with other methods, the proposed method can effectively improve the recognition accuracy and detection rate, and it can also effectively reduce the false alarm rate and the missed alarm rate.     

基于流形模糊双支持向量机的恒星光谱分类方法

支持向量机(support vector machine, SVM)具有良好的学习性能和泛化能力,因而被广泛应用于恒星光谱分类中。然而实际应用面临的数据规模往往很大,SVM便暴露出计算量大、分类速度慢等问题。为了解决上述问题,Jayadeva等提出双支持向量机(twin support vector machine, TWSVM),将计算时间减少至SVM的1/4。然后上述方法仅关注数据的全局特征,对每类数据的局部特征并未关注。鉴于此,提出基于流形模糊双支持向量机(manifold fuzzy twin support vector machine, MF-TSVM)的恒星光谱分类方法。利用流形判别分析获得数据的全局特征和局部特征,模糊隶属度函数的引入将各类数据区别对待,尽可能减少噪声点和奇异点对分类结果的影响。与C-SVM,KNN等传统分类方法在SDSS恒星光谱数据集上的比较实验表明了该方法的有效性。     

基于流形模糊双支持向量机的恒星光谱分类方法

支持向量机(support vector machine, SVM)具有良好的学习性能和泛化能力, 因而被广泛应用于恒星光谱分类中。然而实际应用面临的数据规模往往很大, SVM便暴露出计算量大、分类速度慢等问题。为了解决上述问题, Jayadeva等提出双支持向量机(twin support vector machine, TWSVM), 将计算时间减少至SVM的1/4。然后上述方法仅关注数据的全局特征, 对每类数据的局部特征并未关注。鉴于此, 提出基于流形模糊双支持向量机(manifold fuzzy twin support vector machine, MF-TSVM)的恒星光谱分类方法。利用流形判别分析获得数据的全局特征和局部特征, 模糊隶属度函数的引入将各类数据区别对待, 尽可能减少噪声点和奇异点对分类结果的影响。与C-SVM, KNN等传统分类方法在SDSS恒星光谱数据集上的比较实验表明了该方法的有效性。     

基于QPSO-MLSSVM算法的拉曼光谱检测四组分调和油含量

提出了一种运用量子粒子群(quantum-behaved particle swarm optimization,QPSO)算法优化多输出最小二乘支持向量机(multi-output least squares support vector machine,MLSSVM)的新混合优化算法。该算法结合激光拉曼光谱技术可实现对四组分食用调和油中花生油、芝麻油、葵花油和大豆油的快速定量鉴别。采用基线校正去除背景荧光,结合Savitzky-Golay Filters光谱平滑法对原始拉曼光谱进行预处理。构建基于QPSO-MLSSVM混合优化算法的定量分析模型,并采用20个组分组成的预测集对其进行模型校验。实验结果表明,基于QPSO-MLSSVM混合优化算法的定量分析模型对于四组分调和油的预测效果良好,均方差(mean square error, MSE)为0.0241,低于0.05,各油分预测相关系数均高于98%。研究结果充分表明, 应用激光拉曼光谱技术结合QPSO-MLSSVM算法,对四组分调和油中各油分进行快速定量检测可行,具备较强的自适应能力和良好的预测精度,可以满足多组分调和油的成分鉴别。