基于单形进化算法优化支持向量机的运动想象脑电分类研究

由于支持向量机(support vector machine,SVM)优化算法存在易陷入局部最优解、控制参数较多的问题,提出一种基于单形进化(surface⁃simplex swarm evolution,SSSE)算法优化的SVM并对运动想象(motor imagery,MI)脑电信号的分类进行了研究。提取MI脑电信号模糊熵和AR(auto regressive)模型参数作为输入特征,然后将SSSE应用在SVM的参数寻优中,实现对MI脑电信号的分类。测试实验中,对2003国际BCI竞赛Data setⅢ和2008国际BCI竞赛Data sets 2b进行左右手分类,结果表明,所提方法的平均分类正确率和Kappa值分别为82.47%和0.88,单形进化算法减少了控制参数且有效避免粒子陷入局部最优,验证了该方法在MI脑电信号分类的有效性。

单形进化算法优化的SVM滚动轴承故障诊断

由于支持向量机的参数优化算法存在控制参数多、易陷入局部最优解的问题,提出了一种单形进化算法优化的支持向量机滚动轴承故障诊断方法。首先,单形进化算法利用全随机的方式建立粒子的单形邻域搜索算子以减少算法控制参数,建立粒子多角色态搜索策略以避免算法陷入局部最优解;然后,将单形进化算法应用于支持向量机的参数寻优,并用滚动轴承信号完成故障诊断;试验中,采用滚动轴承信号的集总经验模态分解的能量特征作为输入,进行算法的性能分析与测试。结果表明该算法可以有效地缓解粒子陷入局部最优解,且减少了控制参数,并能完成滚动轴承故障信号的诊断与识别。

基于新进化优化BP学习算法的心音识别方法

为提高人工智能辅助诊断心音识别的准确率,根据心音信号的周期性特点,提出以快速主成分分析算法对心音信号降维和提取特征,同时基于单形进化算法,优化BP神经网络学习算法的输出与期望的误差函数,以改进BP神经网络的学习性能,实现对心音信号高准确度的分类识别.针对正常心音及8类异常心音信号进行性能分析与测试,实验结果表明,各类心音的平均识别率为95.96%,改进算法比其他对比算法识别率分别提高了4.9%,3.9%,1.9%,表明该算法能更有效地分类识别心音信号,提高人工辅助诊断的识别率.

一种语音与背景乐音信号盲分离优化算法

在盲分离算法中,许多智能优化算法被应用,以克服独立性准则函数的优化进入局部最优位置,但这些优化算法的性能依赖控制参数的选择。因此,提出利用一种单参数的纯随机搜索的单形进化优化算法(Surface-Simplex Swarm Evolution,SSSE),克服算法参数对优化算法性能的影响,提高盲分离算法的应用有效性,并将该改进盲分离算法应用于语音与背景乐音信号的盲分离。实验中,以四阶累积量作为独立分量分析(Independent Component Analysis,ICA)中的准则函数。实验结果表明,该改进算法有效分离出语音成分与背景乐音成分,而且在稳定性和分离效果方面具有较好的性能。