基于核化原理的非线性典型相关判别分析

典型相关判别分析是将传统的典型相关分析应用于判别问题 ,它是一类重要的特征提取算法 ,但其本质上只能提取数据的线性特征 .应用统计学习理论中的核化原理可以将这样的线性特征提取算法推广至非线性特征提取算法 .该文研究了如何将这一原理应用于典型相关判别分析 ,提出了基于核化原理的非线性典型相关判别分析 ,并且给出了求解该问题的一个自适应学习算法 .数值实验表明 ,基于核化原理所导出的非线性典型相关判别分析比传统的典型相关判别分析更有效 .另外 ,该文从理论上证明 ,所提出的新方法与Fisher核判别分析等价 .

基于DCCA-IWO-MKSVM的模拟电路故障诊断方法

为了提高模拟电路故障的诊断效果,提出基于DCCA-IWO-MKSVM的模拟电路故障诊断方法。采用DCCA算法对模拟电路的故障特征进行提取,构造新的融合特征。对支持向量机的核函数进行线性组合构造新的多核函数,并用IWO算法对其参数进行优化,以构建最优故障诊断模型,用于融合特征的学习分类。故障诊断实验结果表明:对于融合特征的故障诊断效率,该算法要优于单核函数的IWO-SVM算法,且整个故障诊断系统的诊断效果具有较高的准确率。

不同视觉注意状态调制稳态视觉诱发电位特征的可分性研究

注意将我们的心理资源集中到感兴趣事件的处理上,是一种重要的行为和认知过程。识别注意力状态对提高工作绩效、减少失误的发生具有重要意义。然而,至今还没有能够直接并客观检测注意力状态的方法。基于视觉注意对稳态视觉诱发电位(SSVEP)具有调节效应这一事实,本文设计了10 Hz稳态视觉刺激背景下的go/no-go实验范式,以探究不同视觉注意状态调制SSVEP特征的可分性。实验记录了15名在校研究生志愿者高、低视觉注意力状态下的脑电信号,高、低视觉注意力状态由行为学反应情况判定。研究分析了高、低视觉注意力状态下SSVEP信号的差异,并采用相关分类算法对这种差异进行了识别。结果表明,判别典型模式匹配(DCPM)算法相比线性判别分析(LDA)算法和典型相关分析(CCA)算法分类识别效果更佳,正确率可达76%。研究结果证明,不同视觉注意状态调制的SSVEP特征具有可分性,这为视觉注意力状态的监测提供了新方法。