基于改进GHSOM的运动想象脑电信号自适应识别方法

为解决运动想象脑电信号(MI-EEG)的识别方法泛化能力受限和自适应性差等问题,对传统的生长、分层自组织映射神经网络(GHSOM)进行改进,并提出一种主成分分析法(PCA)与改进的GHSOM神经网络(IGHSOM)相结合的脑电自适应识别方法。由于IGHSOM能够根据上一层扩展神经元的量化误差进行自动分层判断,使得其不仅对数据映射更加准确和详细,而且增强了网络的稳定性和自适应性。基于脑机接口(BCI)竞赛数据库,利用PCA进行特征提取,以IGHSOM为分类器进行实验研究。结果表明,该方法获得了较高的识别精度,验证了GHSOM改进策略及该识别方法的正确性和有效性。

基于Dempster-Shafer理论的GHSOM入侵检测方法

结合证据推理DS理论,提出了基于Dempster-Shafer理论的GHSOM神经网络入侵检测方法,一方面处理数据不确定性中的随机性和模糊性问题,可以在噪音环境下保持良好的检测率,此外通过证据融合理论缩小数据集,有效控制网络的动态增长。实验结果表明,基于Dempster-Shafer理论的GHSOM入侵检测方法实现了对子网拓展规模在检测中的动态控制,提升了在网络规模不断扩展时的动态适应性,在噪音环境下具有良好的检测准确率,提升了GHSOM入侵检测方法的扩展性。