基于相关系数AR模型的陀螺随机漂移分析方法

陀螺漂移序列的均值和方差随时间不断变化,不属于传统的相关函数平稳序列,因此采用传统的平稳序列分析方法对其处理必然导致较大的误差.通过对大量陀螺漂移数据分析发现,大多数陀螺漂移序列的相关系数并不随时间的平移而变化,是时间间隔的单变量函数,因此,它们属于相关系数平稳序列.在此基础上,建立了基于相关系数AR模型的陀螺漂移分析方法.该方法首先对陀螺漂移数据是否属于相关系数平稳序列进行判别,然后采用相关系数AR模型建模并给出模型参数的估计方法,最后可根据得到的相关系数AR模型对陀螺漂移进行估计和补偿.由于相关系数平稳序列能够对陀螺漂移序列的本质特征进行描述,因此较传统方法具有更高的建模精度和补偿精度.

随机AR(1)-MA(1)模型的参数矩估计及其相容性

利用矩估计法 ,给出了双重时序模型AR( 1)MA( 1)的参数矩估计 .在第二重模型MA( 1)噪声方差已知的条件下 ,通过对协方差函数渐近性质的研究 ,证明了该矩估计的相容性 .讨论了第二重模型满足对数MA时的参数的矩估计及其相容性。

基于BP神经网络的手势动作表面肌电信号的模式识别

手势语言在日常生活中有着广泛的应用,本研究利用手势动作时从前臂4块肌肉上获取的4路表面肌电(SEMG)信号,经特征提取并采用BP神经网络,对8种手势动作模式进行了识别。鉴于BP网络具有较强的模式分类能力,而特征提取(幅度绝对值均值、AR模型系数、过零率)又利用了多路肌电信号的信息,实验结果取得了较高的识别正确率,表明所采用的方法是有效的。

基于中潜伏期听觉诱发电位的听觉注意特征提取与识别

针对目前研究听觉注意的实验范式采用电极数量较多,且使用P3电位诱发时间比较长等问题,设计了一种基于听觉诱发中潜伏期反应(MLR)的实验范式。首先在注意与非注意两种状态下诱发出相应的MLR,再分别计算MLR的能量、方差、面积、AR模型系数和波形峰值作为特征值。最后,通过模式识别算法进行分类。实验结果表明:8位受试者以人工神经网络(ANN)为分类器的平均正确率可达到77.2%,本范式对于大部分受试者的效果较理想。