基于柔性神经树和表面肌电信号的手势识别模型

表面肌电信号因为具有非入侵式、易于采集特点,被广泛应用于康复医疗和行为识别等领域。传统的基于表面肌电信号sEMG(Surface Electromyography)的手势识别通常采用数字信号处理DSP(Digital Signal Processing)芯片或者集合方法研究实时识别问题。这些方法易导致数学模型参数繁多、硬件连接复杂和实时识别率较低。提出一种基于肌电信号与柔性神经树FNT(FlexibleNeural Trees)模型的实时手势识别模型。柔性神经树模型通过简单的预定义建立,能够解决人工神经网络ANN(Artificial NeuralNetwork)的结构高依赖性问题。柔性神经树模型不仅能够避免复杂的计算和电路连接,还具有较高的实时识别率。针对六名参与者的六种手势进行实验,实验结果表明:该模型的均方根误差RMSE(Root Mean Square Error)最低为0.000385,实时识别率最高可达97.53%。

利用柔性神经树的实时肌电信号手势识别模型

传统的手势识别通常采用数字信号处理(Digital Signal Processing,DSP)芯片或者集合方法(Ensem-ble Methods)研究实时识别问题。这些方法易导致数学模型参数繁多、硬件连接复杂和实时识别率较低。提出一种基于表面肌电信号与柔性神经树(Flexible Neural Trees,FNT)模型的实时手势识别模型。表面肌电信号(surface Electromyography,sEMG)具有非入侵式、易于采集特点,故被广泛应用于行为识别和诊断等领域。柔性神经树模型通过简单的预定义来构建,能够解决人工神经网络(Artificial Neural Network,ANN)的结构依赖性高的问题。柔性神经树模型不仅能够避免复杂的计算和电路连接,还具有较高的实时识别率和较低的方均根误差(Root Mean Square Error,RMSE)。实验针对六名参与者的六种手势进行测试,结果表明该模型实时识别率较高,实际应用也证明该算法可行。

与颜色空间选择无关的肤色检测方法

针对当前肤色检测方法中如何选择合适的颜色空间和高准确率伴随高误报率的问题,提出一种基于柔性神经树的肤色检测方法.该方法随机生成不同结构的柔性神经树,在评估函数的约束下使用基于语法引导的遗传算法进行结构优化,同时使用粒子群优化算法对参数进行优化,最终获得最优肤色模型.优化过程保留了结构简单和具有较好性能的个体,使得训练得到的肤色模型保留了颜色空间中贡献较大的特征分量.在Compaq和ECU数据库上的实验结果表明,文中方法分别获得了92.27%和90.79%的准确率以及6.16%和9.71%的误报率,优于其他主流肤色检测方法,且对复杂环境下肤色细节的检测有较好的效果.

柔性神经树模型的结构优化算法的改进

利用柔性神经树模型的改进结构优化算法对流程工业生产过程的参数进行筛选,在精确度最高的前提下在最短的时间内找到影响生产过程的重要参数,为流程工业生产过程控制提供理论依据。在柔性神经树模型的学习过程中,本算法的进化代数不是一个固定值,而是以误差率来控制进化代数,试验证明这种算法使模型最优,效率和精确度最高。柔性神经树模型的结构和参数优化分别由概率增强式程序进化和模拟退火算法完成。本文以水泥生产中重要生产过程之一的分解炉的生产过程为研究对象。研究结果表明本文提出的改进方法是非常有效的。

基于柔性神经树的Internet流量早期识别模型

在互联网产生的早期阶段对其进行准确有效的识别,对于网络管理和网络安全来说都有着极其重要的意义。鉴于此,近年来越来越多的研究致力于仅仅基于流量早期的数个数据包,建立有效的机器学习模型对其进行识别。本文力图基于柔性神经树(FNT)构建有效的互联网流量早期识别模型。两个开放数据集和一个实验室采集的数据集用于实验研究,并将FNT与8种经典算法进行对比。实验结果表明,FNT在大多数情况下,其识别率和误报率指标优于其他算法,这说明FNT是一种有效的流量早期识别模型。

基于相空间重构和柔性神经树的乐器分类

基于相空间重构理论和主成分分析理论,对不同乐器产生的音频时间序列进行处理。通过分析各类乐器的高维特性,采用概率密度函数来刻画各个乐器在相空间中的差异,然后将概率密度函数的参数与其他音色特征相结合,采用柔性神经树作为分类器,提出一种新的乐器分类方法。柔性神经树能够解决人工神经网络结构的高度依赖性问题,还具有较高的识别率。实验表明,该分类器与BP神经网络和支持向量机比较具有较高的平均分类准确率和较低的均方根误差值。

基于柔性神经树的蛋白质结构预测

提出一种基于柔性神经树的蛋白质结构预测方法,将近似熵和蛋白质序列的疏水特性作为伪氨基酸组成的特征。对数据集中的每一条蛋白质进行特征提取。对于一个蛋白质样本,用一个27-D伪氨基酸组成作为其特征,伪氨基酸组成特征作为输入数据,柔性神经树作为预测工具,分类方法采用M-ary方法,数据集选用640数据集。仿真结果表明,该方法具有较好的优化性能,提高了预测的准确率。

基于改进粒子群算法的柔性神经树优化

神经树采用树结构编码,具有非常好的预测能力和函数逼近能力。模型中的相关参数通常用粒子群优化算法来优化,可是传统的粒子群算法具有容易陷入局部最优值,并且进化后期的收敛速度慢、精度低等缺点,因此会影响神经树的性能。将一种新的改进的粒子群优化算法应用到神经树模型中,并与传统的粒子群算法在柔性神经树的应用比较,表明该改进粒子群算法具有更好的收敛精度,从而改善了神经树的性能。

柔性神经树竹片缺陷检测的新算法

竹片缺陷的自动检测成为制约竹制品企业发展的一个瓶颈,为实现竹片缺陷自动检测,本文提出一种柔性神经树的竹片检测算法。该算法首先利用LeNet-5卷积子模型为竹片特征提取器,将新的参数卷积模型提取的特征作为柔性神经树的的输入节点来构建柔性神经树。将该算法应用于竹片缺陷检测能够解决人工神经网络结构的高度依赖性问题,使模型具有较强的鲁棒性。

基于柔性神经树模型的股票市场风险预测

利用柔性神经树模型的改进结构优化算法对影响股票市场的过程参数进行筛选,在精确度较高的前提下在比较短的时间内找到影响股票市场风险的重要参数。在柔性神经树模型的学习过程中,该算法的进化代数不是一个固定值,而是以误差率来控制进化代数,试验证明此算法使模型最优,效率和精确度非常高。柔性神经树模型的结构和参数优化分别由概率增强式程序进化和模拟退火算法完成。研究结果表明该改进方法对预测股票市场风险是非常有效的。

基于柔性神经树的智能变电站过程层网络流量预测

从智能变电站过程层网络流量监测系统的需求出发,提出了一种基于柔性神经树模型的智能变电站过程层网络流量预测解决方案.柔性神经树模型利用遗传规划开发与优化,其参数由粒子群优化算法做优化.首先初始化随机的柔性神经树结构和相应的参数,不断地学习优化柔性神经树结构,完成树结构的优化之后,再对参数进行优化.最终通过反复循环获得满足要求的柔性神经树.实验结果表明,柔性神经树模型能有效地预测过程层网络流量,再现真实的流量测量的统计特性;其预测精度较高,误差集中在0附近.预测结果可以有效地监控网络流量状况,保障电网安全运行.