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.

基于广义合成分析和深度神经网络的自回归系数估计方法

自回归(AR)模型是一类描述时序序列相关性的有效方法,经典的AR系数估计方法对残差信号做了简单的假设,在噪声干扰等复杂场景中难以准确估计AR系数,而基于深度神经网络(DNN)的AR(DNN-AR)系数估计方法在训练中容易受到莱文逊-杜宾迭代(LDR)解法的数值稳定性的影响.为改善DNN-AR系数训练的稳定性和整体性能,在保证系统稳定性的前提下,本文利用精度转化提高系统运算速度的思路,提出了基于广义合成分析(GABS)模型的深度网络结构改善方法,提高了AR系数在含噪环境下估计的准确性和网络训练的稳定性.组合DNN的GABS(GABS-DNN)的模型由三个主要部分组成:修正器的谱增强网络、编码器的DNN预处理及LDR参数估计和解码器的AR系数到功率谱的转换.在优化目标函数的过程中,引入了增强谱和观测谱的误差,减少了反向传播时LDR的梯度对增强网络的影响,实现了稳定估计含噪语音的AR系数.

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。

一种基于多信道模型的IIR信道盲辩识算法

本文的主要贡献在于:1)证明了对单输入单输出(Single-Input-Single-Output SISO)IIR信道的输出进行过采样可以将其转化成单输入多输出(Single-Input-Multiple-Output SIMO)的多信道模型,不同的子信道具有相同的AR系数。2)由SISO向SIMO模型的转化时,本文指出子信道数是可变的,并且当子信道数等于过采样的倍数时,辨识效果最好。实验证明本文算法估计效果好,计算量小。特别是当用于估计的点数较少时仍能保持良好的性能,因而可适用于快变信道。

Kalman滤波在液压电机故障诊断中的应用

针对液压电机故障信号的特性,介绍了Kalman滤波及其递推算法在信号处理上的应用.给出了时间序列自回归(AR)模型建立信号状态方程和观测方程的方法,并在这两个方程的基础上结合Kalman递推算法对信号进行滤波.通过有效的仿真和实际验证表明:利用Levinson-Durbin算法获得AR系数建立信号模型,再通过Kalman递推能够有效的达到滤波的效果.

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CSP变换的新特征提取方法研究

共空域模式(CSP)是一种十分常用的运动想象脑电信号特征提取方法。传统的CSP特征提取方法,先进行CSP变换,然后提取对数方差作为特征。然而,对数方差不一定是最佳的特征提取方法,为了研究基于CSP变换的最佳特征提取方法,在CSP变换的基础上提出新的特征提取方法。首先,对原始运动想象脑电信号进行预处理,然后进行CSP变换。其次,提取对数方差、自回归(AR)系数、带通功率和小波能量以及融合特征作为特征。最后,选用Fisher线性判别分析(FLDA)、最小绝对值收缩和选择算子(LASSO)、融合LASSO和弹性网络共4种分类方法对5种特征进行分类。使用一个公开的脑机接口(BCI)竞赛数据集进行实验。实验结果表明,在新的特征提取方法中,AR系数特征无论使用哪种分类方法都取得了最佳的分类效果,优于传统的CSP特征提取方法,可进一步提高BCI系统的性能。

基于多核学习方法的前瞻性记忆脑电识别

目的:分别提取急性缺血性卒中患者中认知功能正常和轻度障碍的病人进行前瞻性记忆实验时的脑电信号特征,利用多核学习方法对特征进行分类,获得较好的识别效果,验证选用数据特征以及分类方法应用于脑电信号分析时的有效性。方法:首先设计了一种前瞻性记忆实验,然后将认知功能正常和轻度障碍的急性缺血性卒中病人完成前瞻性记忆实验时的脑电信号进行采集、预处理并提取出样本熵、近似熵和AR系数三种数据特征,最后将所提取的数据特征送入多核学习分类器进行分类识别,通过迭代学习,获得较高的分类精度。结果:选用样本熵、近似熵和AR系数作为脑电信号特征进行分类时,均获得了较高的分类精度,最高可达90.9%。其中,使用样本熵特征作数据特征时,更易获得较高的分类精度。结论:前瞻性记忆实验可用于认知功能障碍识别研究,选用样本熵、近似熵、AR系数和多核学习方法作为数据特征和分类器可以取得较好的分类结果,为认知功能障碍的定量识别提供了有效的方法。

基于支持向量机和小波包变换的EOG信号睡眠分期

针对多通道信号或者多生理参数进行睡眠分期的不足,提出一种利用支持向量机(SVM)和小波包分解相结合对单通道眼电信号进行自动评分的方法。利用改进阈值的双树复小波变换对信号进行去噪处理,将数据以30s数据为一个处理单位,使用小波包变换对每个单位眼电信号进行分解,再对小波包子带提取AR系数和小波包能量等特征。采用支持向量机(SVM)对不同30s睡眠单位进行分类,获得初始分类结果,之后使用平滑规则对分类结果进行连续性处理并得到最终分类结果。结果表明所提的方法对睡眠评分能够得到精度为91.19%,Kappa系数为0.82,属于完全一致性。

1.39μm附近H_2O谱线参数测量及其在燃烧动力学中的应用

将可调谐半导体激光吸收光谱技术应用于高温气体浓度在线检测,谱线参数的准确性非常重要。为利用红外波段进行燃烧生成H2O的浓度在线测量,需要实验校准H2O的谱线参数,尤其是Ar加宽系数,该系数对燃烧反应速率测量和机理验证至关重要。采用半导体激光器作为光源,结合实验室搭建的谱线参数测量系统,采集了1.39μm波段附近H2O的4条吸收谱线信号,获得了谱线线强、自加宽系数和N2加宽系数,与HITRAN数据库和文献结果进行了对比,均吻合较好。首次系统地获得了该波段谱线的Ar加宽系数。在谱线参数确定基础上,获得了在反射激波高温条件下H2/O2/Ar燃烧生成H2O的浓度随时间的演变曲线,验证了相应燃烧动力学机理。结果为利用该波段进行含氢燃料燃烧过程H2O浓度测量及相关高温燃烧动力学研究提供了可靠的实验依据。

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。

基于情景匹配的战时备件分配模型

针对战时备件资源的稀缺性、维修历史数据的不完整性、情境因素异构性等问题,提出一种基于情境匹配的战时备件分配方法。利用战时情境匹配相对近似度的概念,在战时情境因素值为精确值与区间值共存的情况下,根据公平性准则,采用情境与分配的平均相关系数(ARC)和平均相对可分系数(ARS)2个绩效指标,对每个备件需求点的备件数量及所处战斗实际情况的相符程度进行度量,通过Matlab软件对数值进行仿真计算。仿真结果证明了该模型的有效适用性。

战时精确情境信息条件下的备件分配模型研究

针对战时备件资源的稀缺性、维修历史数据的不完整性、情境因素异构性等特点,利用战时情境匹配相对近似度的概念,创新的提出基于情境匹配的战时备件分配方法,同时根据公平性准则,利用情境与分配的平均相关系数和平均相对可分系数两个绩效指标,用于对每个备件需求点分配的备件数量与其所处战斗实际情况的相符程度进行度量。利用Matlab软件对数值进行仿真计算,证明了该模型的适用有效。