基于非线性预测效果的癫痫脑电信号的特征提取方法

在非线性时间序列预测研究的基础上,提出了基于非线性预测效果的癫痫脑电信号特征提取方法,从脑电信号中自动检测出癫痫脑电信号.采用基于可预测性的选取嵌入维数的方法确定脑电信号序列的嵌入维数,进行相空间重构.实验结果表明:基于非线性预测效果的特征提取方法提取的特征能明显地区分癫痫脑电信号与正常脑电信号,该非线性特征提取方法适合小数据量的情况且对噪声的稳定性好.     

基于局域相关向量机回归模型的小尺度网络流量的非线性预测

基于非线性时间序列局域预测法与相关向量机回归模型, 本文提出了局域相关向量机预测方法, 并应用于预测实际的小尺度网路流量序列. 应用基于信息准则的局域预测法邻近点的选取方法来选取局域相关向量机回归模型的邻近点个数. 对比分析了局域相关向量机预测法、前馈神经网络模型与局域线性预测法对网络流量序列的预测性能, 其中前馈神经网络模型的参数采用粒子群优化算法来优化. 实验结果表明: 邻近点优化后的局域相关向量机回归模型能够有效地预测小尺度网络流量序列, 归一化均方误差很小; 局域相关向量机回归模型生成的时间序列具有与原网络流量时间序列相一致的概率分布; 局域相关向量机回归模型的预测精度好于前馈神经网络模型的与局域线性预测法的. 关键词： 小尺度网络流量 非线性时间序列预测方法 局域预测法 相关向量机回归模型     

《高分子物理实验》综合性、设计性实验教学改革

为了满足社会对高分子材料与工程专业人才的需求,培养学生的实际动手能力,提高学生分析问题,解决问题的水平,结合我院多年来开展《高分子物理实验》的实践经验,对其中的综合性、设计性实验进行了改革。在实验讲义的编写过程中,把教师科研项目成果进行提炼,设计出符合本科教学要求的实验内容,在完成一个综合性、设计性实验的过程中将几个简单的高分子物理实验进行有机串联,同时建立了有效的评价体系。实践结果表明,教学效果显著提高,学生能自觉积极主动地参与实践,达到了预期的目的。     

电化学阻抗谱法研究环氧膜的渗水机理

本工作测量了覆盖环氧膜的铝电极在NaCl溶液中的电化学阻抗谱, 并求得了该膜的膜电阻、膜电容和环氧膜与底金属间的腐蚀电阻及双电层电容。由膜电容求得该膜的介电常数为5.2。此种膜未浸入NaCl溶液前的介电常数为4.9。将上述数据与未覆盖环氧膜的铝电极的电化学阻抗数据比较, 可认为溶液是经上述膜中的化学通道而渗入膜内的。     

＂多模块立体式＂实践教学体系的探索与改革

“多模块立体式”实践教学体系的改革关系到人才培养的质量,对我国建设创新型国家起到重要的作用。本文从“多模块立体式”实践教学体系的背景出发,分析了地方高等学校实践教学体系的现状,探讨了“多模块立体式”实践教学体系的构建及实施。指出了地方高校部分传统实验教学体系已经不能适应创新型实践人才培养的需要,应该更新观念,改革实验教学体系和实验教学内容,创建开放型的实验中心,大力推动设计性、研究性实验的建设。     

基于递归量化分析与支持向量机的癫痫脑电自动检测方法

癫痫脑电信号的自动检测对癫痫的临床诊断与治疗具有重要意义.基于递归图(recurrence plot)的递归量化分析(recurrence quantification analysis,RQA)重现了非线性时间序列的动力学行为,分析了其递归特性,本文提出了基于RQA的癫痫脑电信号特征提取方法.实验结果表明:直接基于RQA特征的癫痫脑电的检测准确率较高,其中直接基于确定率DET的分类准确率可达到90.25%.本文还把提取的RQA特征值和变化系数、波动指数相结合组成特征向量,输入到SVM分类器,实现癫痫脑电信号的自动检测;实验结果表明:该方法的分类准确率可达到99%.     

电化学阻抗法研究环氧膜的吸水性能

电化学阻抗法研究环氧膜的吸水性能罗小雯，陈月辉，李善君，周伟舫（复旦大学高分子科学系，化学系，上海，２００４３３）关键词电化学阻抗谱，环氧膜，交联密度，吸水性能水在环氧树脂膜中有较强的吸收和扩散能力，例如ＸＤ７３４２／ＴＭＡＢ于１９５℃固化２４ｈ，在...     

Small-time scale network traffic prediction based on a local support vector machine regression model

In this paper we apply the nonlinear time series analysis method to small-time scale traffic measurement data. The prediction-based method is used to determine the embedding dimension of the traffic data. Based on the reconstructed phase space, the local support vector machine prediction method is used to predict the traffic measurement data, and the BIC-based neighbouring point selection method is used to choose the number of the nearest neighbouring points for the local support vector machine regression model. The experimental results show that the local support vector machine prediction method whose neighbouring points are optimized can effectively predict the small-time scale traffic measurement data and can reproduce the statistical features of real traffic measurements.