演化级联神经网络对脑电信号分类的研究

为了对不同思维状态下的脑电信号进行正确分类,克服神经网络分类器受噪声和冗余特征的影响出现的过拟合,提出了一种新的演化级联神经网络的学习算法。算法通过计算神经元对确认集的适应函数值,以逐步更新神经元对训练集的连接权重。适应函数值取决于被训练神经元的泛化能力,它随着神经元分类准确度的增加而降低。此网络由一个输入节点开始学习,随着演化增加新的输入神经元及新的隐神经元,最终经训练的网络含有最小数目的神经元及连接。此方法应用于区分两种思维状态下的脑电信号,经训练的网络对测试段的分类正确率为83.1%,与标准的BP网络进行比较,演化级联神经网络显示了较好的分类能力。

自适应级联神经网络对脑电信号分类的研究

为克服神经网络受噪声和冗余特征的影响而出现过拟合,提出一种自适应级联神经网络(ACNN)及学习算法。ACNN从少量特征开始学习,在学习过程中根据特征对分类的有效性增加新特征,用映射递归算法调节权值,逐步确定网络结构,使其含有最少数目的输入和隐层神经元。此方法应用于区分两种思维状态下的脑电信号(EEG),经训练的网络对测试段的分类正确率为83.1%,与文献[1]中采用BP网络的结果相比,显示了ACNN较好的分类能力。