基于麻雀搜索算法的概率神经网络优化方法及其应用

现如今,模式识别已被广泛应用于语音识别、机械诊断、遥感和医学诊断等领域。概率神经网络(Probabilistic Neural Network,PNN)作为一种常用的模式识别工具,已被应用于各类工程模式识别,且取得了一定效果。然而,传统PNN模型一般采用默认的平滑因子参数,这容易导致识别率低和分类能力不足的问题。为了解决上述问题,提出了一种基于麻雀搜索算法(Sparrow Search Algorithm,SSA)优化概率神经网络的模式识别方法(SSA-PNN)。该方法通过引入麻雀搜索算法,可以在搜索空间内高效地搜寻到最优的平滑因子,并进行PNN模式识别。将该方法应用于模拟信号和真实滚动轴承振动信号数据,实验结果表明,相比于传统PNN模型和遗传算法优化PNN方法(GA-PNN),改进后的SSA-PNN方法识别率整体提升了6.6%和2.2%,达到了93.3%的高识别率,实现了更好的分类效果。

基于EEGNet的脑电情绪分类应用研究

针对特定脑电信号数据集的情绪分类问题,研究紧凑型的卷积神经网络EEGNet在不同脑电数据集上的能力与效果,并通过在不同的脑电数据集上对EEGNet进行训练与调试,实现单模态脑电数据集的情绪分类。首先,介绍紧凑轻量型卷积神经网络EEGNet结构在时空数据集上的强大处理能力,提出在对EEG信号特征进行编码时的有效性假设。其次,介绍两种经典的脑电公开数据集SEED和SEED-IV,设计针对性的预处理方法、基于EEGNet的情绪分类实验并与其他经典分类方法进行了比较分析。最终,经过在SEED和SEED-IV数据集上的多轮测试,分别得到了85.3%和73.3%的分类准确率,验证了EEGNet在基于脑电信号的情绪分类任务中具有较好的健壮性与准确率。