非线性时间序列互信息与Lempel-Ziv复杂度的相关性研究

为探究非线性动力学系统的互信息和复杂度的相关性，用Logistic映射、Lorenz模型和心电RR间期的非线性时间序列作为实验数据，计算多分段延时互信息和多分段Lempel-Ziv复杂度以及它们之间的相关系数.结果表明这些序列的互信息和复杂度呈强负相关，对Logistic方程生成的201个序列的不同段互信息和不同段复杂度之间的相关系数绝对值都大于0.9162，最大达0.9923；对94个心电RR间期序列都大于0.8555，最大达0.9860.研究还发现互信息比复杂度能更敏感地表现出非线性动力系统的特征. 关键词： 相关系数 互信息 Lempel-Ziv 复杂度 心电RR间期     

基于自适应多尺度时频熵的遥测振动信号异常检测方法

针对遥测振动信号频域成份复杂、非平稳非线性和强噪声特性,提出一种基于自适应多尺度时频熵的遥测振动信号异常检测方法;首先对采集到的遥测振动信号进行零漂修正和趋势项消除,然后采用自适应分解方法对信号进行多尺度分解,得到若干分量,利用相关系数剔除虚假分量;接下来用筛选出的分量作时频分布,对时频分布进行多层多尺度划分,计算相应尺度频段内信号的分形维数,依据分形维数的大小自适应地确定各频段的时频划分尺度;最后计算时频平面的自适应多尺度时频熵,通过时频熵的变化情况对遥测振动信号进行异常检测;实测数据验证了该方法的有效性。     

基于K-CV参数优化支持向量机的LIBS燃煤热值定量分析

热值是煤质特性的重要参数之一,很大程度上影响着燃煤锅炉的运行。为了克服传统检测方法所存在的问题,将激光诱导击穿光谱(LIBS)应用于燃煤热值的定量分析。煤的结构复杂,所含的元素种类众多,包括了主量元素、次量元素和痕量元素,致使煤的LIBS光谱信息复杂。如何有效提取LIBS光谱信息,实现准确的定量化测量是LIBS在煤特性检测中发挥作用的前提和基础。近年来,随着人工智能技术的发展,相关的分析技术也开始应用于煤的工业指标分析和热值预测中。为实现煤样品中LIBS光谱信息的有效提取,同时为克服常规的分析方法易出现的过渡拟合、收敛性不好等问题,提出采用结合K-fold Cross Validation(K-CV)参数优化的支持向量机(SVM)回归方法,实现LIBS定量分析煤中的热值。SVM方法是结构风险最小化的近似实现,可用于模式分类和非线性回归。为了得到有效的LIBS分析模型,实验选用44种电厂常用的热值含量不同的煤样作为实验对象,选择其中33个作为训练集,剩余11个为测试集。利用搭建的LIBS实验系统获取所选煤样品的等离子体发射光谱数据,首先分析了SVM热值回归模型的参数-惩罚因子C、核函数参数g与模型精度的关联,确定C和g最佳取值范围,然后分别建立了基于LIBS全谱和某些元素(非金属元素和金属元素)特征光谱的SVM回归模型。利用训练集光谱数据,结合K-CV法得到热值SVM回归模型的最优参数C和g的值,建立基于SVM最优参数的煤热值定量分析模型。然后将测试集的光谱数据作为输入量用于测试所建立模型的可靠性,得到分别采用全谱、非金属元素特征光谱、非金属与金属元素特征谱相结合的热值定量分析模型,其决定系数R2均达到0.99以上,均方误差分别为0.12,0.17和0.06 (MJ·kg-1)2,预测平均相对偏差分别为1.2%,1.23%和0.69%。结果表明：基于K-CV参数优化SVM回归方法可用于LIBS技术实现燃煤热值的定量分析,且可得到较高的分析精确度和准确度;同时通过对比选用不同的光谱特征的定量分析模型可知,采用非金属与金属元素的特征光谱所建立的基于K-CV参数优化SVM的热值定量模型,能够有效提高LIBS应用于快速检测煤热值的精度和准确度,实现煤热值的准确预测。     

基于变分模态分解-传递熵的脑肌电信号耦合分析

皮层肌肉功能耦合是大脑皮层和肌肉组织间的相互作用, 脑肌电信号的多尺度耦合特征可以体现皮层-肌肉间多时空的功能联系. 本文引入变分模态分解并与传递熵结合, 构建变分模态分解-传递熵模型应用于脑肌间耦合研究. 首先基于变分模态分解将同步采集的脑电(EEG) 和肌电(EMG) 信号分别进行时频尺度化, 然后计算不同时频尺度间的传递熵值, 获取不同耦合方向(EEG→EMG 及EMG→EEG) 上不同尺度间的非线性耦合特征. 结果表明, 在静态握力输出条件下, 皮层与肌肉beta (15—35 Hz) 频段间的耦合强度最为显著; EEG→EMG 方向上脑电与肌电高gamma (50—72 Hz) 频段的耦合强度总体上高于EMG→EEG 方向.研究结果揭示皮层-肌肉功能耦合具有双向性, 且脑肌间不同耦合方向上、不同频段间的耦合强度有所差异.因此可利用变分模态分解-传递熵方法定量刻画大脑皮层与肌肉各时频段之间的非线性同步特征及功能联系.     

基于改进功率谱熵的抑郁症脑电信号活跃性研究

采用非线性动力学方法研究脑精神疾病是近年来国内外学者研究的热点和趋势.针对脑精神疾病的研究和诊断中缺少客观有效的量化参数和量化指标的状况,提出了一种根据对时间序列功率谱划分而定义的谱熵,然后用其计算和分析脑电信号谱熵的方法.通过数据仿真试验证明该谱熵和信号活跃性之间存在正相关关系.基于这种相关性,应用该方法对抑郁症患者和正常对照组的脑电信号功率谱熵进行了数值计算,然后进行了分析对比和统计检验.实验结果表明:抑郁症患者脑电信号的功率谱熵在部分脑区显著弱于正常健康人.证明该谱熵能够表征大脑电生理活动状况,提供反映其活动性强弱的信息,可以作为度量大脑电生理活动性的一个参数.这对于能否将该功率谱熵作为诊断脑精神疾病的物理参数具有积极意义.     

基于高光谱图像技术的苹果粉质化LLE-SVM分类

苹果粉质化程度是衡量其内部品质的一个重要因素,采用了高光谱散射图像技术进行苹果粉质化的无损检测。针对高光谱散射图像数据量大的特点,提出了局部线性嵌入(local linear embedded,LLE)和支持向量机(support vector machine,SVM)相结合的用于检测苹果粉质化的新分类方法。LLE是一种通过局部线性关系的联合来揭示全局非线性结构的非线性降维方法,能有效计算高维输入数据在低维空间的嵌入流形。对降维后的高光谱数据采用SVM进行分类。将LLE-SVM分类方法与传统的SVM分类方法比较,仿真结果表明,对高光谱数据而言,用LLE-SVM得到的训练精度高于单纯使用SVM的训练精度;降维前后,分类器的测试精度变化不大,波动范围不超过5%。LLE-SVM为高光谱散射图像技术进行苹果粉质化无损检测提供了一个有效的分类方法。     

近红外光谱的油页岩总有机碳快速检测

为了快速检测油页岩总有机碳（TOC）含量,以松辽盆地某区块所取岩芯为研究对象,测量230个岩石样本的TOC含量和近红外光谱数据。利用蒙特卡洛法剔除异常样本14个,剩余的216个样本进行去趋势加基线校正方法预处理,采用连续投影算法（SPA）、无信息变量消除算法以及竞争自适应算法选取特征波长。使用SPXY方法对样本按照2∶1的比例划分为144个校正集和72个验证集,然后建立线性的偏最小二乘（PLS）模型以及非线性的支持向量机（SVM）模型和随机森林（RF）模型对油页岩TOC含量进行预测。采用测定系数（R2）和均方根误差（RMSE）作为模型的评价指标,探究不同特征波长选择方法对油页岩总有机碳建模的影响,比较不同建模方法对油页岩TOC含量预测的准确度。结果表明,特征波长提取能够起到优化模型的作用。SPA,UVE和CARS分别提取了16,253和65个波长,经过特征波长提取后模型测定系数均有提高,均方根误差均有下降,这说明进行特征波长优选对于简化模型、提高模型运算速度发挥着很重要的作用。此外,非线性的RF和SVM模型性能要优于线性模型PLS。这是因为油页岩中的碳存在于各类烃的中,不同类别含烃基团的吸收峰之间相互影响,使得油页岩总有机碳含量和近红外光谱数据之间存在着复杂的非线性关系,因此,非线性的SVM和RF模型能够表现出更好的效果。相比于其他模型,CARS-SVM模型验证集的测定系数（R2_v）和均方根误差（RMSEV）表现出的结果较好,分别达到了0.906 6和0.222 0,该模型能够用于油页岩总有机碳含量的快速检测。研究结果说明,近红外光谱分析应用于油页岩TOC含量快速检测是可行的;建立的CARS-SVM模型能够表现出较好的预测效果,为我国油页岩TOC含量快速检测提供了一种新的方法和思路。     

基于贝叶斯优化的SVM玉米品种鉴别研究

为了快速检测玉米品种类型,基于支持向量机(SVM)和近红外光谱联合建立玉米品种的分类模型。以郑单958、先玉335、京科968、登海605和德美亚等五个品种共计293个样本为研究对象,对采集的近红外光谱进行标准正态变量变换(SNV)处理后使用主成分分析法(PCA)对光谱数据进行降维处理。按照6∶1比例,随机选取251个样本为训练集,42个样本作为测试集,探讨贝叶斯优化算法(BO)对SVM模型性能的影响。分别使用网格搜索(GS)、遗传算法(GA)和BO算法等三种方法对SVM模型的两个重要参数惩罚因子C和径向基核函数参数γ进行寻优。选择各模型十折交叉验证识别准确率最高时对应的惩罚因子和核参数作为建模参数,建立SVM分类模型。将使用BO算法建立的SVM分类模型与使用GS和GA进行参数寻优后建立的模型性能进行比对。实验发现,使用BO优化的SVM分类模型相比于其他两种优化算法得到的SVM模型性能具有显著优势,测试集的识别准确率可达到100%。说明使用BO算法寻优的SVM模型参数是全局最优参数,其他两种优化算法寻优的参数可能陷入了局部最优,从而导致模型性能表现不佳。在进行PCA降维前后的光谱数据上分别建立BO-SVM模型,结果表明,BO算法对于高维数据优化效果不佳,更适用于低维数据。对于不同样本类别间数量不均衡导致模型性能表现不佳的问题,通过剔除郑丹958和先玉335两类数量较少的样本,使用剩余三个类别,共计248个样本重新建立SVM模型,实验发现,剔除两类小样本之后,各个模型在测试集上的性能均有提升,说明对于类间样本数量不均衡问题,某类样本数量越多,对于模型参数的修正就越细腻,模型对该类的拟合效果就越好。研究结果可用于玉米品种的快速鉴别,也可为基于近红外光谱的其他农产品分类和产地鉴别提供参考。     

基于后向传播神经网络的激光定位系统动态范围的提升

对于脉冲激光探测系统而言,现有的峰值提取方法只能检测线性区的不饱和波形,而无法检测非线性区的饱和波形.基于脉宽分析的方法可以检测一定范围内的饱和波形,但模型复杂,拟合难度大,导致系统的检测范围受限.针对激光定位系统在非线性区检测困难的问题,本文建立了一种基于后向传播神经网络算法的能量响应模型,用于检测线性区及非线性区的...     

基于LVQ与SVM算法的近红外光谱煤产地鉴别

传统煤产地鉴别方法一般以发热量、挥发分、粘结指数、哈氏可磨指数和坩埚膨胀序数作为分类指标,过程复杂耗时较多、耗费巨大的人力、物力并且无法直接快速的得到煤样产地等问题,借助近红外光谱技术快速无损检测的优势,利用基于SVM的留一算法对光谱数据集进行异常样本剔除,得到包含正确光谱信息的煤样光谱数据集,构造基于SVM算法与LVQ算法的定性分析模型,完成基于近红外光谱分析技术的煤产地的快速鉴别,无需对煤样的各种指标进行汇总并且人为预测。针对SVM分析模型中存在随机参数优化问题,引入PSO算法对SVM模型中的损失参数C和核函数半径g进行改进,得到最优参数,最后引入计算准确率的方法对比以上模型并进行评价分析。实验一共收集了加拿大、俄罗斯、澳大利亚、印度尼西亚、中国内蒙等5个地区的煤样光谱数据集,数据集共计305组煤样样本,其中异常样本共计10组,分别选择各国煤炭光谱的前31组作为训练样本,后6组数据作为测试样本,结果表明各分类模型的分类准确率均能达到75%以上,其中基于PSO算法改进的SVM分析模型的准确率可达到96.67%,仅一个样本出现问题,可快速高效地实现基于近红外光谱分析技术的煤产地的鉴别。     

Performance evaluation for epileptic electroencephalogram (EEG) detection by using Neyman-Pearson criteria and a support vector machine

The diagnosis of several neurological disorders is based on the detection of typical pathological patterns in electroencephalograms (EEGs). This is a time-consuming task requiring significant training and experience. A lot of effort has been devoted to developing automatic detection techniques which might help not only in accelerating this process but also in avoiding the disagreement among readers of the same record. In this work, Neyman-Pearson criteria and a support vector machine (SVM) are applied for detecting an epileptic EEG. Decision making is performed in two stages: feature extraction by computing the wavelet coefficients and the approximate entropy (ApEn) and detection by using Neyman-Pearson criteria and an SVM. Then the detection performance of the proposed method is evaluated. Simulation results demonstrate that the wavelet coefficients and the ApEn are features that represent the EEG signals well. By comparison with Neyman-Pearson criteria, an SVM applied on these features achieved higher detection accuracies.     

On the Variability of Heart Rate Variability—Evidence from Prospective Study of Healthy Young College Students

Heart rate variability (HRV) has been widely used as indices for autonomic regulation, including linear analyses, entropy and multi-scale entropy based nonlinear analyses, and however, it is strongly influenced by the conditions under which the signal is being recorded. To investigate the variability of healthy HRV under different settings, we recorded electrocardiograph (ECG) signals from 56 healthy young college students (20 h for each participant) at campus using wearable single-lead ECG device. Accurate R peak to R peak (RR) intervals were extracted by combing the advantages of five commonly used R-peak detection algorithms to eliminate data quality influence. Thorough and detailed linear and nonlinear HRV analyses were performed. Variability of HRV metrics were evaluated from five categories: (1) different states of daily activities; (2) different recording time period in the same day during free-running daily activities; (3) body postures of sitting and lying; (4) lying on the left, right and back; and (5) gender influence. For most of the analyzed HRV metrics, significant differences (p < 0.05) were found among different recording conditions within the five categories except lying on different positions. Results suggested that the standardization of ECG data collection and HRV analysis should be implemented in HRV related studies, especially for entropy and multi-scale entropy based analyses. Furthermore, this preliminary study provides reference values of HRV indices under various recording conditions of healthy young subjects that could be useful information for different applications (e.g., health monitoring and management).     

Entropy Measures of Electroencephalograms towards the Diagnosis of Psychogenic Non-Epileptic Seizures

Psychogenic non-epileptic seizures (PNES) may resemble epileptic seizures but are not caused by epileptic activity. However, the analysis of electroencephalogram (EEG) signals with entropy algorithms could help identify patterns that differentiate PNES and epilepsy. Furthermore, the use of machine learning could reduce the current diagnosis costs by automating classification. The current study extracted the approximate sample, spectral, singular value decomposition, and Renyi entropies from interictal EEGs and electrocardiograms (ECG)s of 48 PNES and 29 epilepsy subjects in the broad, delta, theta, alpha, beta, and gamma frequency bands. Each feature-band pair was classified by a support vector machine (SVM), k-nearest neighbour (kNN), random forest (RF), and gradient boosting machine (GBM). In most cases, the broad band returned higher accuracy, gamma returned the lowest, and combining the six bands together improved classifier performance. The Renyi entropy was the best feature and returned high accuracy in every band. The highest balanced accuracy, 95.03%, was obtained by the kNN with Renyi entropy and combining all bands except broad. This analysis showed that entropy measures can differentiate between interictal PNES and epilepsy with high accuracy, and improved performances indicate that combining bands is an effective improvement for diagnosing PNES from EEGs and ECGs.     

喘鸣音的声谱图熵特征分析及检测

提出了一种改进的基于肺音信号的声谱图熵特征分析的客观喘鸣音检测方法。喘鸣音的功率明显高于正常肺音,因此喘鸣音声谱图的功率分布沿频率轴方向具有明显的聚集特性,该特性可以通过熵值反映。本算法首先对肺音信号进行时频变换得到时频幅度谱信号,然后去除基本呼吸音,进而计算其熵特性曲线并提取熵特性曲线的相应特征.最后,通过支持向量机(support vector machine,SVM)训练分类器,实现了喘鸣音的有效检测。该方法通过预处理使熵特性曲线的特征差异更加明显,且通过SVM分类器进行检测,解决了原方法检测存在检测模糊区域的问题。实验结果表明,该算法在两组测试集的检测准确率分别为97.1%和95.7%,检测率较高,具有良好的应用前景。     

改进粒子群算法优化支持向量机在故障诊断中的应用研究

支持向量机(SVM)作为当前新型的机器学习方式,凭借解决小样本问题、高维问题和局部极值问题等方面的优越性,在当前故障诊断方面有突出的表现;文章根据对支持向量机的研究,发现其在分类模型参数选择上存在困难,为此,提出利用改进粒子群算法优化的办法,解决粒子群前期收敛速度过快导致后期容易优化不均的现象;通过粒子群算法优化与支持向量机分类模型结合,以轴承故障检测和诊断为例,分析次方法的优越性和提高支持向量机在故障诊断过程中的精准度;通过实际检测得出,这种算法优化的方法改进的支持向量机对于聚类性较差的故障分类具有很好的诊断功能。     

Robust pedestrian detection in thermal infrared imagery using the wavelet transform

A novel and robust pedestrian detection method in thermal infrared images based on the double-density dual-tree complex wavelet transform (DD-DT CWT) and wavelet entropy is presented in this paper. The regions of interest (ROIs) are located first making use of high brightness property of the pedestrian pixels caused by the self-emission of the pedestrians related to the Planck’s law. The candidate ROIs are then decomposed by DD-DT CWT and the wavelet entropy features are extracted from the high frequency subbands. The true pedestrian regions are finally classified and recognized using the support vector machine (SVM) classifier. Comparisons between our approach and traditional approaches are presented and experimental results using several thermal infrared image databases show the proposed scheme to be very promising.     

基于多模板子空间的支持向量机多类自然形状识别

自然物体的检测与识别是机器视觉以及模式识别的重要任务。由于自然物体形状的多样性与柔性以及视觉判别的复杂性,使基于计算机的自然形状物体的准确检测与识别变得比较困难。提出了基于多模板子空间的支持向量机(SVM)多类自然形状识别方法。利用广义Hough变换表示自然形状物体轮廓,针对每个类别通过训练得到多个匹配模板;检测时利用多模板最近邻相关匹配进行粗检测,使用支持向量机进行分类。在相关匹配限定的子空间内收集训练样本,有效地降低了训练样本数目。实验结果证明所提出的自然形状检测与识别方法是十分有效的,大大改进了经典检测算法的检测效果以及自动化程度。     

相关向量机在污水硝氮检测中的应用

针对地表水质的复杂性以及紫外光谱数据维数高、谱带重叠严重的特点,提出将相关向量机算法应用于硝氮的连续紫外光谱分析,实现了对实际污水硝氮的快速准确无污染检测。首先介绍了相关向量机算法原理,然后在分析制药污水紫外吸收光谱的基础上选取230～245 nm紫外吸光度数据用于建模,应用多元线性回归、偏最小二乘方法、经典支持向量机方法(SVM)和相关向量机方法分别建立硝氮回归模型并比较分析模型性能。实验结果表明：相关向量机模型预测更准确,模型更稀疏,预测速度快,检测结果的相对满量程误差控制在4.5%以内,适用于对复杂组成成分的实际污水硝氮的有效快速检测。     

ISG-FHEV等效燃油消耗最小控制策略

针对室内复杂环境下火灾识别准确率会降低的问题,提出了一种改进的粒子群算法优化支持向量机参数进行火灾火焰识别的方法。首先在 颜色空间进行火焰图像分割,对获得的火焰图像进行预处理并提取相关特征量;其次采用PSO算法搜索SVM的最优核参数和惩罚因子,并在PSO算法中加入变异操作和非线性动态调整惯性权值的方法,加快了搜索SVM最优参数的精度和速度;然后将提取的火焰各个特征量作为训练样本输入SVM模型进行训练,并建立参数优化后的SVM分类器模型;最后将待测试样本输入SVM模型进行分类识别。算法的火灾识别准确率达到94.09%,分类效果明显优于其他分类算法。仿真结果表明,改进的PSO优化SVM算法提高了火焰识别的准确率和实时性,算法的自适应性更强,误判率更低。     

Entropy Analysis of Heart Rate Variability in Different Sleep Stages

How the complexity or irregularity of heart rate variability (HRV) changes across different sleep stages and the importance of these features in sleep staging are not fully understood. This study aimed to investigate the complexity or irregularity of the RR interval time series in different sleep stages and explore their values in sleep staging. We performed approximate entropy (ApEn), sample entropy (SampEn), fuzzy entropy (FuzzyEn), distribution entropy (DistEn), conditional entropy (CE), and permutation entropy (PermEn) analyses on RR interval time series extracted from epochs that were constructed based on two methods: (1) 270-s epoch length and (2) 300-s epoch length. To test whether adding the entropy measures can improve the accuracy of sleep staging using linear HRV indices, XGBoost was used to examine the abilities to differentiate among: (i) 5 classes [Wake (W), non-rapid-eye-movement (NREM), which can be divide into 3 sub-stages: stage N1, stage N2, and stage N3, and rapid-eye-movement (REM)]; (ii) 4 classes [W, light sleep (combined N1 and N2), deep sleep (N3), and REM]; and (iii) 3 classes: (W, NREM, and REM). SampEn, FuzzyEn, and CE significantly increased from W to N3 and decreased in REM. DistEn increased from W to N1, decreased in N2, and further decreased in N3; it increased in REM. The average accuracy of the three tasks using linear and entropy features were 42.1%, 59.1%, and 60.8%, respectively, based on 270-s epoch length; all were significantly lower than the performance based on 300-s epoch length (i.e., 54.3%, 63.1%, and 67.5%, respectively). Adding entropy measures to the XGBoost model of linear parameters did not significantly improve the classification performance. However, entropy measures, especially PermEn, DistEn, and FuzzyEn, demonstrated greater importance than most of the linear parameters in the XGBoost model.300-s270-s.