仿真分析含扰动样本对BP网络学习的影响

该文从多层前向神经元网络的BP算法出发,通过计算机仿真发现含有噪声干扰的样本对BP网络的训练会产生不良的影响:①神经元网络的学习速度不易把握;②网络的学习过程不收敛或收敛值会偏移真实的期望输出。文中从本质上对产生这些影响的原因进行了分析,并且进一步揭示了能量函数的选取是使BP算法抗噪声能力差、鲁棒性不强的主要原因。

训练样本中扰动因素对BP学习算法影响的机理分析

从多层前向神经元网络的BP算法出发,通过计算机仿真发现含有噪声干扰的样本对BP网络的训练会产生不良的影响:①神经元网络的学习速度不易把握;②网络的学习过程不收敛或收敛值会偏移真实的期望输出。文中从本质上对产生这些影响的原因进行了分析,并且进一步揭示了能量函数的选取是使BP算法抗噪声能力差、鲁棒性不强的主要原因。

基于改进GHSOM的运动想象脑电信号自适应识别方法

为解决运动想象脑电信号(MI-EEG)的识别方法泛化能力受限和自适应性差等问题,对传统的生长、分层自组织映射神经网络(GHSOM)进行改进,并提出一种主成分分析法(PCA)与改进的GHSOM神经网络(IGHSOM)相结合的脑电自适应识别方法。由于IGHSOM能够根据上一层扩展神经元的量化误差进行自动分层判断,使得其不仅对数据映射更加准确和详细,而且增强了网络的稳定性和自适应性。基于脑机接口(BCI)竞赛数据库,利用PCA进行特征提取,以IGHSOM为分类器进行实验研究。结果表明,该方法获得了较高的识别精度,验证了GHSOM改进策略及该识别方法的正确性和有效性。

眼电伪迹自动去除方法的研究与分析

脑电信号采集时很容易受到眼电信号的干扰,从而影响脑机接口系统的性能。为此,提出一种基于离散小波变换(DWT)和典型相关分析(CCA)的眼电伪迹自动去除方法,即DCCA法。首先,对采集的多导脑电信号和眼电信号进行离散小波变换,获得多尺度小波系数,并利用典型相关分析去除小波系数间的相关性,得到互不相关的典型小波系数;进而,利用相关系数判别眼迹成分,将相应典型小波系数置零并依次采用CCA逆变换和DWT逆变换重构剔除眼电伪迹后的脑电信号。基于9位实验者的4种眼电数据进行实验研究,并从统计学的角度对实验结果进行显著性检验。结果表明,DCCA法相对其他方法在均方根误差、信噪比方面具有显著优势,且具有较好的实时性,并表现出较强的适应能力。

基于局域均值分解与典型相关分析的眼电伪迹去除方法

为消除眼电伪迹(ocular artifact,OA)对脑电信号(electroencephalography,EEG)造成的严重影响,提出一种基于局域均值分解法(local mean decomposition,LMD)与典型相关分析(canonical correlation analysis,CCA)的眼电伪迹自动去除方法,记为LMDC法.首先,利用LMD将每导脑电采集信号自适应地分解为一系列具有物理意义的乘积函数(production function,PF)分量,通过CCA去除PF分量之间的相关性,获得相应的典型变量;其次,计算每导脑电信号与多导眼电信号间的相关系数矩阵,实现眼迹成分的自动识别,将典型相关变量中对应眼迹成分的部分随机变量置零,其余随机变量不变,得到新的典型相关变量;最后,基于CCA逆变换将新的典型相关变量投影返回得到眼迹去除后的PF分量,并进一步重构出眼迹去除后的脑电信号.基于BCI竞赛数据库进行实验研究,结果表明:LMDC法相对其他常用方法获得了较好的眼迹去除效果,并对多位实验者和多种眼迹表现出较强的自适应性.

团队学习在专业学位研究生课程教学中的研究

基于团队学习方法的内涵,提出了以任务驱动为主导的研究生团队学习方法。将该方法应用于控制工程专业学位研究生的"软测量与虚拟仪器原理"课程,在文献阅读、实践能力培养、创新意识培养三个方面取得了较好的效果。

基于小波包和深度信念网络的脑电特征提取方法

针对运动想象脑电信号(motor imagery electroencephalography,MI-EEG)的时变性、个体差异性等特点,提出一种将小波包变换(wavelet packet transform,WPT)与深度信念网络(deep belief networks,DBN)相结合的脑电特征自动提取方法,记为WD法。首先,利用平均功率谱方法对MI-EEG进行时域分析,选取有效的时序段。其次,使用WPT对有效时域段的各导MI-EEG进行时频分解,并选取与想象任务相关的频段信息重构脑电信号;然后,将各导重构MI-EEG串接,并将其瞬时功率信号输入给DBN模型实现特征自动提取。最后,利用Softmax分类器完成脑电想象任务的模式分类。在DBN模型训练中通过增加Dropout训练技巧来解决因训练数据少等引起的过拟合问题,以提高分类结果。利用BCI标准竞赛数据库进行实验研究,5-折交叉验证法取得了94.06%的分类准确率,证明该方法能够充分利用脑电的神经生理学特点,自适应地提取个性化的深层脑电特征,有利于改善分类效果。

一种个性化动态脑功能网络的构建与特征提取方法

目的为了研究运动想象过程中脑功能网络(brain functional network,BFN)的时频变化特征及对运动想象任务识别的影响,本文提出一种个性化皮尔逊相关系数(personalized Pearson correlation coefficient,PPCC)并用于动态BFN的构建与特征提取方法。方法首先,对各受试者运动想象脑电(motor imagery EEG,MI-EEG)频带范围进行两级筛选,获得其最优频带;然后,将运动想象时间段进行分割,计算各子时段最优频带MI-EEG的PPCC,并用于构建个性化的动态BFN;进而,计算各个BFN的度作为网络特征,并将多时段的网络特征串行融合获得特征向量;最后,针对BCI Competition III Data Set IIIa和BCI Competition IV Data Set 2a数据集,采用支持向量机检验特征的有效性。结果在两个公共数据集上,本文方法的10×10折交叉验证最高识别率分别为100.00%和68.84%。与基于共空间模式和基于PCC的BFN特征提取方法相比,具有明显的优势,双样本t检验的结果也充分表明了PPCC的优越性。结论与PCC相比,基于PPCC能构建出可客观地展现运动想象个性化特点的动态BFN,反映了不同受试者运动想象时大脑激活的差异性,及其在时域和频域同时呈现的动态变化特点,有效增强了特征提取的自适应性。

基于锁相值和图论的脑功能网络特征提取方法

目的为了研究大脑运动想象时脑功能网络的状态变化,并区分运动想象任务,本文提出一种基于锁相值和图论的脑功能网络特征提取方法。方法首先获取Mu节律和Beta节律的运动想象脑电信号(motor imagery electroencephalography,MI-EEG),计算任意两导相同节律MI-EEG之间的锁相值;然后分别构建两个节律的脑功能网络,并提取6种全局网络特征参数,对其归一化处理后进行串行融合获得特征向量;最后以支持向量机(support vector machine,SVM)作为分类器,采用10折交叉验证法,在BCI Competition III Data Sets IIIa数据集上对两种运动想象任务进行分类。结果相比于其他脑网络特征提取方法,本文方法获得了较高的识别率,最高识别率和平均识别率分别达到100. 00%和83. 33%。结论从脑功能网络的角度,通过构建Mu节律和Beta节律两个运动节律MI-EEG的脑功能网络,提取多个反映大脑网络整体信息的特征,相对于构建单一运动节律MI-EEG的脑功能网络,提取单个网络特征参数,能够有效改善运动想象任务的识别效果,为MI-EEG信号的特征提取方法提供了一种新的思路。

基于KICA和MAMA-EMD的眼电伪迹去除方法

目的为了准确地分离并去除脑电(electroencephalogram,EEG)信号中的尖峰状眼电(electrooculogram,EOG)伪迹,本文提出一种基于核独立分量分析(kernel independent component analysis,KICA)和掩膜最小弧长经验模态分解(masking-aided minimum arclength empirical mode decomposition,MAMA-EMD)的眼电伪迹去除方法,即KICMME。方法首先,使用KICA将多通道受污染的EEG信号分离为多个独立分量(independent components,ICs);然后,计算每个IC的峰度值,确定与EOG相关的IC,并利用MAMA-EMD算法对其进一步分解,得到一组固有模态函数(intrinsic mode function,IMF);进而,通过计算各IMF的低频功率占比,识别并剔除与EOG相关性高的IMF;最后,基于MAMA-EMD和KICA的逆变换重构出“纯净”EEG信号。结果在半模拟和真实脑电两个数据集上进行实验研究,KICMME取得的均方误差和信噪比分别为0.82和12.51 dB,获得的分类准确率和Kappa值分别为91%和0.82。结论MAMA-EMD能够准确地分离出与EOG相关的IMF分量,使得KICMME可以在保留有用神经信息的同时,最大限度地去除EEG信号中的EOG伪迹,相对现有基于盲源分离的眼电伪迹去除方法具有明显优势。

基于课程教学的专业学位研究生创新实践能力的培养

专业学位研究生教育在培养目标、课程设置、教学理念、培养模式、质量标准和师资队伍建设等方面,与学术型研究生有所不同,要突出专业学位研究生教育的特色.课程设置要以实际应用为导向、以职业需求为目标、以综合素养和应用知识与能力的提高为核心.教学内容要强调理论性与应用性课程的有机结合,突出案例分析和实践研究;教学过程要重视运用团队学习、案例分析、现场研究、模拟训练等方法;要注重培养学生研究实践问题的意识和能力.基于此,在课程教学中,突出了案例分析、任务驱动、团队学习、实践研究等方法,探索出“一种意识两种方法”的教学模式.

基于复合式协同策略的移动机器人自主探索

为了有效地解决机器人在空旷的厅堂环境下的探索难题以及RRT(快速扩展随机树)难以在含有狭窄入口的环境下快速扩展的问题,提出了一种将RRT与前沿法协同实施的复合式候选目标点检测策略;此外,提出一种有效的代价值计算方法,以代价值作为最优候选目标点的评价准则;并且设计了改进的TEB(时间弹性带)算法以实现机器人的局部路径规划,确保机器人顺利到达目标点.在同样的实验条件下,在实际环境下所提方法的探索时间、行驶距离、探索次数3个参数分别为1187.465 s、97.551 m、41,在仿真环境下分别为275.119 s、130.051 m、32,较GTM(栅格-拓扑地图)、RRT的探索性能均有所提升.结果表明该方法有效地解决了机器人在空旷的厅堂环境下的探索难题以及RRT难以在含有狭窄入口的环境下快速扩展的问题.