基于Spiked模型的低信噪比环境电网异常状态检测

为发展基于大数据技术的电网态势感知理论与方法,提出了一种基于Spiked模型电网异常状态动态辨识方法,该方法源于随机矩阵理论。首先,通过数据源矩阵的构造,窗口数据矩阵及其标准矩阵的构建,进而形成其样本协方差矩阵,并计算该矩阵的最大特征值;然后,利用由Kaiser窗函数校正的经典谱估计法进行全局信噪比估计,进而得出对应的动态阈值,并与最大特征值比较来进行异常状态判别;最后,借助MATLAB软件,案例分析在一个IEEE50机标准系统展开,涉及负荷异常跃变及三相短路接地故障,与传统的平均谱半径分析法的计算结果比较表明该方法具有抗噪性能高、适应性强的优点,同时对于非完整性信息有一定的鲁棒性。

基于软阈值降噪的脉冲卷积神经网络轴承故障诊断方法

针对工业场景下滚动轴承信号易受噪声干扰,导致故障诊断准确率低和稳定性差的问题,本文提出一种基于软阈值降噪的脉冲卷积神经网络诊断方法。该方法使用软阈值滤波去噪,运用带时间标签的卷积层处理二维信号,增强动态特征提取能力。同时,通过引入IF和LIF神经元实现对时域和频域信息的联合编码,并采用替代梯度法进行端到端训练。实验结果显示,在信噪比为6dB时,所提方法的诊断准确率达100%,在信噪比为-6dB时诊断准确率达77.33%,优于其他常用方法,表明所提方法在噪声下具有良好的诊断效果和稳定性。

用于双阈值脉冲神经网络的改进自适应阈值算法

脉冲神经网络(spiking neural network, SNN)由于在神经形态芯片上低功耗和高速计算的独特性质而受到广泛的关注。深度神经网络(deep neural network, DNN)到SNN的转换方法是有效的脉冲神经网络训练方法之一,然而从DNN到SNN的转换过程中存在近似误差,转换后的SNN在短时间步长下遭受严重的性能退化。通过对转换过程中的误差进行详细分析,将其分解为量化和裁剪误差以及不均匀误差,提出了一种改进SNN阈值平衡的自适应阈值算法。通过使用最小化均方误差(MMSE)更好地平衡量化误差和裁剪误差;此外,基于IF神经元模型引入了双阈值记忆机制,有效解决了不均匀误差。实验结果表明,改进算法在CIFAR-10、CIFAR-100数据集以及MIT-BIH心律失常数据库上取得了很好的性能,对于CIFAR10数据集,仅用16个时间步长就实现了93.22%的高精度,验证了算法的有效性。

基于双阈值的ANN-SNN转换方法优化

脉冲神经网络作为第三代神经网络,能够克服许多人工神经网络中所存在的问题,如高功耗、鲁棒性较差等;通过对预训练好的人工神经网络模型进行转换是获取深度脉冲神经网络模型的一种主要方法,然而通过这种方法获取的脉冲神经网络的延迟较高,无法满足实时性要求;文章在双阈值转换方法的基础上,采用阈值平衡技术对转换过程进行优化,通过理论推导,提出了一种对称阈值LeakyReLU激活函数,并对人工神经网络到脉冲神经网络的转换流程进行了梳理;此外,采用了泄漏机制对转换后的脉冲神经网络模型结构进行了优化,并通过脉冲时序依赖可塑性学习规则对该结构进行训练;最终,在MNIST数据集与CIFAR-10数据集上进行了实验,结果表明,优化后脉冲神经网络的收敛速度与鲁棒性得到了大幅提升。

锋电位检测信号的EEMD去噪方法研究

神经元锋电位(spike)是研究大脑信息编码的基础,因其宽带、小幅值等特点而极易受噪声干扰。针对spike信号的间歇性及非平稳性,采用经验模态分解(EMD,Empirical Mode Decomposition)的改进算法--整体平均经验模态分解(EEMD,Ensemble Empirical Mode Decomposition)对spike检测信号进行分解并结合小波阈值法进行去噪。EEMD能将信号中间歇性成分有效分离出来,解决了EMD产生的模态混叠问题。基于仿真和实测数据将其与EMD去噪方法及多元小波去噪法进行比较,结果表明:EEMD去噪方法不仅有效提高了spike检测信号的信噪比,而且降低了spike波形的畸变。在3种去噪方法中,EEMD去噪方法效果最为显著,对仿真信号的信噪比平均提高了4.177 2d B。为随后spike信号的分类和信息编码奠定了良好基础。

压缩小波变换和非线性阈值技术压制磁共振尖峰噪声方法研究

地面磁共振是一种新的地球物理探测方法,能够通过探测地下水中氢质子丰度获取地下水含量、孔隙度等水文地质信息.然而,磁共振信号甚为微弱,仅达到纳伏级(10^(-9)V),极易受到噪声干扰.其中,尖峰噪声对磁共振信号影响最为严重,亟待研究有效的噪声抑制方法.小波多尺度分解硬阈值是近两年国际磁共振领域专家提出的尖峰噪声有效消除方法,但硬阈值算法设定阈值的固有缺陷会引发信号震荡,出现伪吉布斯效应,导致信号损失.基于此,本文提出压缩小波变换(Synchrosqueezing Wavelet Transform,SWT)和非线性國值处理(Nonlinear Thresholding,NT)算法联合消除磁共振信号尖峰噪声干扰.首先选择Morlet小波作为基小波,使得信号与噪声数据具有更高的时频集中性,利于尖峰噪声消除.其次,基于压缩小波系数进行非线性处理,可以弥补利用硬阈值和软阈值进行噪声消除时所引起的信号损失.仿真数据和实际数据结果表明,SWT联合NT方法可以利用单次采集数据有效消除尖峰噪声干扰并还原信号.本文提出的消噪方法将为磁共振数据后续反演解释,如多指数弛豫反演,奠定坚实的基础.

自适应步长FISTA算法稀疏脉冲反褶积

FISTA算法(fast iterative shrinkage-thresholding algorithm)采用线性搜索方法寻找最佳内部梯度的步长L,而线性搜索只能使L向增大的方向搜索,严重影响了FISTA算法的收敛性。为此,提出了一种基于自适应步长FISTA算法的稀疏脉冲反褶积方法,该方法在FISTA算法的基础上,通过在每一次迭代之前适当减小常数L,然后利用线性搜索的方式寻找最优的常数L,以达到自适应调整L的目的。为了使算法达到理论收敛,通过结合前、后两次的L,对传统FISTA算法的辅助序列进行修改,最终使整套算法在理论上得以收敛。理论模型与实际地震资料的处理、分析结果表明,所提方法具有更好的收敛性,能在不同信噪比下得到理想的反演结果,较常规FISTA算法具有更好的抗噪能力。

皮层神经元动作电位不应期和阈电位与神经元动作电位编码的关系

目的:测量和比较感觉运动皮层Ⅱ/Ⅲ层锥体神经元和中间神经元的内在特性并研究其与动作电位编码频率和精确性的关系。方法:采用全细胞电流钳记录模式,获得的数据输入pClamp和Origin进行处理分析。结果:与锥体神经元相比,中间神经元群集动作电位具有较低的阈电位水平和较短的不应期,从而中间神经元具有较高的动作电位编码频率和精确性。结论:皮层神经元动作电位的阈电位水平和不应期调控动作电位的编码频率和精确性。

适用于宽频带记录信号的锋电位检测法

为了考察深部脑刺激的高频电刺激(HFS)期间各种神经元单体的动作电位发放活动,排除电刺激诱发的群峰电位的干扰,设计了一种窗口检测新算法,直接用于检测宽频带记录信号中的锋电位。并且,利用仿真数据和大鼠海马CA1区实验记录数据验证此算法的有效性。结果表明,新算法的锋电位检出率显著大于常规阈值法,而误检率则显著小于阈值法。该算法对于高频刺激期间的仿真数据的锋电位检出率可达95%,误检率则仅为4%;对于7只大鼠的顺向高频刺激实验记录数据的平均锋电位检出率为88±1.4%,而误检率为4.6±1.1%。总之,新窗口法可以正确检测高频刺激期间的锋电位,用于研究各种神经元单体在电刺激期间的不同响应活动,为深入揭示深部脑刺激的神经网络机制提供了有用的新工具。

帕金森病人苍白球神经元放电的自适应阈值检测

自动选取合适的阈值以适应不同信噪比的信号,达到检测神经元放电的目的。依据微电极记录的信号,采用闭环方式自动递归调整阈值,逐次检测神经元放电。对合成的模拟神经放电信号及临床手术中微电极记录的112个病人的神经元放电信号处理,检测出了不同信噪比信号中的神经元放电脉冲,这些放电脉冲反映了神经核团的电生理特征。根据检测的神经元放电,可以对不同神经核团放电特征进行客观定量的分析,准确识别手术中微电极所在的神经核团,对于指导靶点定位具有重要的意义。

一种提取动作电位的自适应阈值算法

阈值检测法是目前最广泛的动作电位提取的方法之一,自适应阈值算法比定阈值算法更为灵活,更能准确有效地检测出动作电位信号。该文设计了自适应阈值检测算法,它比目前自动设定阈值的方法计算量小,更容易实现,能够根据接收到的神经信号的数据,不断地计算﹑调整阈值,同时根据此阈值准确、实时地提取动作电位信号。该文把此种算法进行了Matlab仿真和FPGA电路实现。实验证明,该文中的自适应阈值法,方法简单、易于在电路上进行实现,能够灵活地调整阈值。同时,对神经信号发生器产生的动作电位信号,此算法把100%的动作电位和极少部分噪声截取出来,滤除了绝大部分的噪声信号。

基于高低阈值的脉冲神经元抗噪学习算法

脉冲神经元的动态阈值学习算法在训练神经元的过程中通过改变阈值的大小,可以有效提高神经元的抗噪能力。然而,动态阈值的使用又会降低神经元的学习精度,且在与基于梯度下降的学习算法结合使用时容易导致神经元沉默。基于此,提出了一种改进的基于梯度下降的高低阈值抗噪算法,使用高低阈值来避免神经元的学习精度损失,并在神经元沉默时使用虚拟激发脉冲来继续学习过程,同时使用动态的学习速率来降低高低阈值对学习周期的影响程度。实验结果表明,该算法可以显著提高神经元的抗噪能力,并且能够保证学习精度和收敛速度,适用于基于梯度下降的脉冲神经元学习算法。

一种类RNN的改进ISTA稀疏脉冲反褶积

稀疏脉冲反褶积方法对提高地震资料分辨率有着重要作用,迭代阈值收缩算法(ISTA)是其核心算法,首先利用地震数据提取子波,再利用ISTA求解反射系数.当地震子波提取不准确时,反褶积效果不理想.为此,在ISTA基础上,结合循环神经网络(RNN)中反向传播(BPTT)的思想,研究形成了一种类RNN的改进ISTA稀疏脉冲反褶积方法.该算法首先使用常规手段从实际地震数据中提取地震子波,构建反褶积的子波字典;然后将构建的地震子波字典作为已知的初始条件,结合ISTA求取的反射系数;再根据BPTT算法思想,将求取的反射系数与子波褶积并与实际数据进行比较,反向修改地震子波;最终,经过多次迭代修改获得合理的地震子波字典,并利用该地震子波字典求解实际地震数据的反射系数序列.为验证算法的有效性,采用不同信噪比的理论地震记录,给定存在较大误差的初始子波,进行了反褶积计算.采用传统的ISTA和类RNN的改进ISTA进行对比处理,结果表明,改进ISTA具有较好的抗噪能力和子波自适应能力,可使实测地震资料的有效频带拓展约1.5倍,能够较好地适应实际地震资料的反褶积处理.

微电极阵列神经元锋电位信号的去噪方法

为了去除神经细胞外单细胞动作电位(即锋电位)记录信号中的各种噪声,提高幅值很小的单细胞锋电位信号检测的正确性,根据多通道微电极阵列记录信号中各个通道之间噪声空间相关性较强的特点,提出主成分分析(PCA)去噪与小波阈值去噪相结合的联合去噪方法.采用PCA方法提取并去除多通道记录信号中相关噪声的第一主成分,然后将信号进行小波多尺度分解,采用软阈值法去除各尺度下的噪声.仿真数据和测试结果表明,联合去噪方法可以同时去除有色噪声和白噪声,在各通道锋电位序列相互独立而噪声相关性较强的情况下,可以显著提高锋电位信号的信噪比.联合去噪方法的性能明显优于PCA去噪方法和小波阈值去噪方法单独使用时的性能,是一种有效的多通道锋电位信号去噪新方法.

融合LSTM结构的脉冲神经网络模型研究与应用

SNN是更具生物可解释性的新型网络模型。针对传统SNN模型表征能力有限,难以应用于实际任务的问题,对SNN处理脑电识别任务进行了研究,提出具有长短期记忆结构的SNN模型。首先采用改进的BSA编码算法处理脑电信号;然后构建具有自适应阈值的脉冲神经元模型;在此基础上,基于PyTorch框架建立结合LSTM结构的SNN模型;最后使用替代梯度的方法克服了脉冲序列不可微分的问题,在保留神经元动态特性的同时基于反向传播方法直接训练SNN。实验结果表明,改进的BSA更具灵活性和可靠性,同时,融合LSTM结构的SNN模型提高了网络的表征能力,在脑电识别任务中取得了与传统深度学习模型可竞争的精度。

基于FPGA的动作电位提取系统设计与实现

利用生物电测量技术的微电极,可以采集到神经元发放的动作电位,这为后续脑神经活动的研究提供有效的依据。但是如何将采集到的信号中的动作电位有效地提取出来,是信号处理领域的一个重要的课题。在实际过程中,动作电位非常稀疏,有必要对冗余信息进行滤除。该文将神经信号进行滤波放大和AD采样后,利用FPGA电路实现了动作电位的阈值法检测,滤除了大量的冗余信号,简化了后续的处理过程。实验表明:该电路能够实现动作电位的实时检测与发送,同时记录每个动作电位到来的时刻。

神经元放电阈值的可变性及其意义

神经元能够将不同时空模式的突触输入转化为时序精确的动作电位输出,这种灵活、可靠的信息编码方式是神经集群在动态环境或特定任务下产生所需活动模式的重要基础。动作电位的产生遵循全或无规律,只有当细胞膜电压达到放电阈值时,神经元才产生动作电位。放电阈值在细胞内和细胞间具有高度可变性,具体动态依赖于刺激输入和放电历史。特别是,放电阈值对动作电位起始前的膜电压变化十分敏感,这种状态依赖性产生的生物物理根源包括Na+失活和K+激活。在绝大多数神经元中,动作电位的触发位置是轴突起始端,这个位置处的阈值可变性是决定神经元对时空输入转化规律的关键因素。但是,电生理实验中动作电位的记录位置却通常是胞体或近端树突,此处的阈值可变性高于轴突起始端,而其产生的重要根源是轴突动作电位的反向传播。基于胞体测量的相关研究显示,放电阈值动态能够增强神经元的时间编码、特征选择、增益调控和同时侦测能力。本文首先介绍放电阈值的概念及量化方法,然后详细梳理近年来国内外关于放电阈值可变性及产生根源的研究进展,在此基础上归纳总结放电阈值可变性对神经元编码的重要性,最后对未来放电阈值的研究方向进行展望。

针对锋电位的启发式阈值检测算法

作为植入式脑电信号处理的关键环节,锋电位检测的精确度将直接影响后续脑电信号的解码与分析。提出了一种基于启发式阈值的锋电位自动检测算法。通过对椭圆滤波器参数的优化,降低了原始信号中有用信号衰减程度,实现了较低幅值锋电位的有效保留。并且启发式阈值的设定大大降低了采集环境引入的混杂噪声干扰,实现了具有鲁棒性的锋电位自动阈值检测。基于英国莱斯特大学神经工程实验室提供的细胞外模拟记录数据的实验验证表明,在多种信噪比下提出的算法的平均检测精度可达65.21%。此外,基于猕猴肢体伸展抓握运动范式下采集的植入式脑电数据的实验的结果表明,即使在不确定背景噪声的真实环境中,该算法仍可有效地用于锋电位信号的检测。

移动平均法在数据采集和分析中的应用

在失超探测过程中,电源尖峰干扰信号会引起超导磁铁的保护误动作,影响到磁铁的正常运行。文中叙述了利用移动平均值的方法,对多通道的数据采集信号进行了平滑处理,降低了设定的电压阈值,并减小了失超误动作的发生。该方法可广泛应用于动态数据的采集和处理上。

基于脉冲神经网络的复杂场景导航避障算法

脉冲神经网络(SNN)因其低能耗和时序性,已在移动机器人的导航和避障领域得到广泛应用。然而,现有脉冲模型相对简单,难以应对复杂场景下的避障问题,如动态变速障碍物和环境噪声干扰等。因此,提出了一种基于脉冲神经网络的复杂场景导航避障算法。该算法采用了注意力机制以增强对动态障碍物的避障能力,使得模型能够更加集中地关注动态障碍物的信息,从而更准确地做出避障决策。此外,还根据生物启发设计了一种动态脉冲阈值,使得模型可以自适应地调整脉冲信号的触发,从而适应具有噪声干扰的环境。实验结果表明,在虚拟复杂场景下,该算法表现出最优的导航避障性能,在所设计的3种复杂场景下(变速动态场景、输入干扰、权重干扰)导航避障成功率分别为86.5%,79.0%和76.2%。该研究成果为解决复杂场景下机器人导航避障问题提供了一种新的思路和方法。