关键词： 茯苓   特征图谱   化学模式识别   差异质量标志物   茯苓酸  

摘要： 目的:利用化学模式识别技术，对茯苓药材HPLC特征图谱数据进行分析，筛选差异质量标志物并建立定量分析策略，为茯苓质量标准研究提供科学依据。方法:采用Welch Ultimate Plus C18色谱柱（250 mm×4.6 mm, 5μm）,流动相为乙腈（含0.2%四氢呋喃）-0.1%磷酸水溶液，梯度洗脱，检测波长222 nm,体积流量1 mL·min-1,柱温30℃,进样量10μL,建立茯苓药材特征图谱。运用相似度分析、主成分分析（principal component analysis, PCA）、聚类分析（cluster analysis, CA）和正交偏最小二乘-判别分析（orthogonal partial least squares discrimination analysis, OPLS-DA）等模式识别方法，筛选不同产地茯苓的差异质量标志物，并按照《中华人民共和国药典》中“分析方法验证指导原则”的要求，进行定量研究。结果:15批茯苓药材的相似度在0.935～0.998,共标定8个共有峰，指认出6个色谱峰；PCA结果显示样品按产地呈现聚类趋势，CA结果与PCA一致，通过OPLS-DA筛选茯苓酸作为差异质量标志物；建立的茯苓酸含量测定方法稳定、可靠且耐用性良好，符合药典要求。结论:通过特征图谱结合化学模式识别技术的分析策略，可快速有效地筛选不同产地茯苓药材的差异质量标志物，为茯苓药材质量标准的建立提供参考。

关键词： 光伏发电设备   故障诊断   机器学习   模式识别  

摘要： 随着清洁能源占比的不断提高,传统化石能源为主的高碳排放电力系统正在逐步被取代,以光伏、风电为代表的新能源发电系统已经形成不可阻挡的发展趋势。太阳能光伏发电以其储量大、零污染、可持续等优点有望在新型可再生能源体系中占据主体地位。而作为集成光伏发电技术的光伏电站,工作环境恶劣导致设备故障频发,为了保障光伏电站的稳定运行,减少因光伏发电设备故障造成的安全隐患和经济成本损失,本文就光伏发电设备中的光伏阵列和光伏逆变器故障诊断方法展开研究,本文的主要研究内容如下: 1)针对光伏发电设备故障数据稀少、采集困难的问题,基于Matlab/Simulink平台搭建了光伏发电系统中不同设备的仿真模型,首先通过人为改变电路结构和控制模块模拟不同的故障类型,其次对不同运行状态下光伏阵列和光伏逆变器的输出特性进行分析,最后选择包含丰富故障信息的样本数据作为故障特征。 2)针对光伏阵列工作环境复杂导致运行状态评估困难、故障类型难以准确检测的问题,提出一种基于麻雀搜索算法优化核极限学习机的光伏阵列故障诊断方法。首先将核参数引入极限学习机中,将故障特征进行高维的核映射,选择核极限学习机作为故障诊断模型;其次,通过麻雀搜索算法高效,快速的寻优能力对核极限学习机的关键参数进行寻优,并设置最优参数。最后从不同网络模型、不同优化算法、不同样本数据三个角度验证本文所提方法的有效性。算例结果表明,该方法具有良好的诊断精度和稳定的诊断效率。 3)针对光伏逆变器内部结构复杂,功率开关管开路故障类型多样难以准确识别的问题,提出一种基于变分模态分解与双层聚类算法的光伏逆变器故障诊断方法。首先通过变分模态分解提取光伏逆变器输出三相电流的功率谱熵特征;其次,采用模糊C均值双层聚类算法对训练样本进行聚类分析,得到标准聚类中心后,根据最小欧氏距离的原则对测试样本进行分类;最后,添加不同幅值的白噪声在不同信号分解方法下进行对比实验分析。算例结果表明,该方法可以在提高信号的分解效率的同时,明显提升光伏逆变器功率开关管的故障诊断精度。 综上,本文以光伏发电系统的安全稳定运行和经济效益为研究目标,以光伏发电设备中的光伏阵列和光伏逆变器为研究对象,分别采用分类算法与聚类算法进行不同故障状态下的模式识别,减少设备故障造成的安全隐患和功率损失,实现安全可靠的光伏发电系统智能运维。

关键词： 光子神经网络   硅光子学   模式识别   光子卷积   光散射单元  

摘要： 随着人工智能（Artificial Intelligence,AI）技术的迅猛发展,人工神经网络（Artificial Neural Network,ANN）在自然语言处理、图像识别、机器翻译、现代医疗等领域应用广泛,推动着人类社会蓬勃发展。如今大数据时代的来临进一步为人工神经网络带来了革新,同时也对人工智能技术的计算算法以及硬件架构提出了更高的要求。然而,集成电路芯片计算能力的增长正在放缓,逐渐不能满足人工神经网络对计算能力的需求。相比之下,硅基光子技术具备低功耗、大带宽、低延迟和高并行度等特点,以硅基光子技术为基础,结合人工神经网络算法,发展光计算以及光子神经网络（Photonic Neural Network,PNN）有望突破传统集成电路芯片的瓶颈,成为了未来人工智能技术发展的重要方向。本文围绕硅基可编程光子神经网络,针对模式识别学习任务,开展了以下研究工作: （1）分析了基于马赫曾德尔干涉仪（Mach-Zehnder interferometer,MZI）级联网络的光子酉矩阵计算架构的工作原理与不足之处,将矩阵分解方法与散射原理相结合,提出一种基于光散射单元（Optical Scattering Unit,OSU）的光子酉矩阵计算架构,该架构通过多个移相器阵列与OSU级联而成,能够实现任意酉矩阵变换。线性矩阵可通过矩阵奇异值分解法分解为两个酉矩阵和一个对角矩阵,酉矩阵可利用上述光子酉矩阵计算架构实现。利用Python对该架构进行了数值仿真与测试,以一个四阶离散傅里叶变换（Discrete Fourier Transform,DFT）矩阵为例进行了分解,并对结果进行了误差分析,该架构传输矩阵与目标矩阵之间的误差小于10-7,随后利用随机酉矩阵分别对4阶、9阶与16阶酉矩阵计算架构进行了性能分析与鲁棒性测试。 （2）利用光子器件反向设计方法对OSU进行了仿真设计,根据目标矩阵对器件的内部结构进行了拓扑优化,该器件实现了特定的乘加运算。设计完成后对器件进行了正向仿真测试,其平均损耗约为4.425%,传输酉矩阵的置信度为99.65%。 （3）搭建了基于上述线性矩阵计算架构的两层光子全连接神经网络模型,网络中第一层为4个神经元,第二层为3个神经元。利用Tensor Flow对该全连接神经网络进行建模,使用鸢尾花数据集进行了性能测试。经过训练,该神经网络模型对鸢尾花数据集可以达到100%的识别准确率。 （4）通过将卷积神经网络中的矩阵-矩阵乘法运算转换为矩阵-向量乘法运算,提出了一种光子卷积计算方法。并且与基于OSU的光子矩阵计算架构相结合,搭建了光电混合卷积神经网络模型,同样利用Tensor Flow对该神经网络模型进行建模仿真,在MNIST手写体数字数据集上可以达到98.47%的测试准确率。

关键词： 蔷薇科   腐烂病   梨   悬浮细胞   腐烂病  

摘要： 蔷薇科植物具有重要的经济价值,其代表物种有苹果、梨、杏和草莓等。由黑腐皮壳菌(Valsa mali和Valsa pyri)所导致的腐烂病(Valsa canker)已成为苹果和梨产业中最具破坏性的腐生性真菌病害。由于腐烂病通常是反复发生,目前常规的物理和化学方法无法对其进行根治。分子抗病育种是目前最为理想的防治方法,然而抗病基因的挖掘与机理研究是阻碍其发展的一大难题。类受体蛋白(Receptor like proteins,RLPs)和类受体激酶(Receptor like kinases,RLKs)作为典型的模式识别受体(Pattern recognition receptors,PRRs),是植物免疫反应中重要的调节因子。本研究基于全基因组鉴定、生物信息学分析,分别对19个物种中的RLPs和RLKs进行了全基因组鉴定,并对其分别进行了亚家族分类、扩张速率调查以及重复事件分析。结合表达模式、共表达网络分析和GO富集对在梨腐烂病代谢物(Valsa pyri Metabolites,Vp M)处理下差异表达显著的RLP和RLK成员进行了分组并对其分别进行了功能验证。通过研究主要获得如下结果: 1.从19个物种全基因组共鉴定RLP基因3028个、RLK基因13298个。对于RLP的鉴定,并不局限于LRR-RLP和Lys M-RLP,本研究还对其他类型的RLP进行了全基因组鉴定,并将糖基化磷脂酰肌醇(glyeosylphosphatidylinositol,GPI)锚定蛋白作为RLP的一个特征正式引入到RLP的鉴定当中。进一步,根据胞外结构域和系统发育树将RLP基因分为24个亚家族,RLK基因被分为65个亚家族。 2.针对于RLP和RLK分别进行了亚家族扩张速率分析,其中,在RLP中筛选得到7个扩张活跃的亚家族,在RLK中发现了12个。重复事件分析表明,RLP和RLK的整体扩张主要由全基因组重复(Whole genome duplication,WGD)事件和串联重复事件(Tandem,TD)共同导致,而亚家族的特异性扩张主要由TD事件导致。 3.结合杜梨和‘玉露香’悬浮细胞在Vp M处理下的RNA-Seq数据,对RLP和RLK各亚家族的表达模式进行了分析。结果表明,扩张活跃、串联重复较多的亚家族响应Vp时的表达差异更加显著,并根据表达模式筛选出了显著响应Vp的RLP基因58个、RLK基因108个。通过共表达网络分析和GO功能富集并结合扩张速率,对筛选的得到的RLP和RLK基因分别进行了分组。RLP和RLK基因各被分为四组。 4.从RLP和RLK各自的分组中分别挑选了RLP基因10个、RLK基因16个。利用农杆菌介导的瞬时表达方法在‘黄冠’梨果实上进行了功能验证,结果筛选得到对梨腐烂病(Valsa pyri,Vp)具有抗性的RLP成员3个、RLK成员4个。通过在杜梨悬浮细胞中稳定遗传转化并结合病原菌接种试验进一步证明了3个RLP成员对Vp的抗性,并且发现Pbe RP23和Pbe RP27是调控Vp抗性的关键成员。亚细胞定位试验表明Pbe RP23和Pbe RP27主要位于细胞膜上,是典型的膜蛋白。 ***基因表达分析发现,过表达Pbe RP23和Pbe RP27均能够更快诱导PTI反应的发生,Pbe RP23很可能通过茉莉酸通路调控腐烂病抗性,而Pbe RP27主要通过水杨酸通路。通过互作蛋白筛选,发现了Pbe RP27与Pbe BAK1之间的互作关系,二者共同介导了梨对Vp的抗性。 综上所述,本研究对19个物种中PRRs的进行了全基因组鉴定,并且对RLP的类型和研究范围进行了拓展。基于扩张速率、基因复制和表达模式提出了一种筛选响应致病信号的RLP和RLK亚家族的思路。随后,结合共表达网络分析、GO功能富集、表达模式和功能验证,筛选了一部分显著响应Vp信号的RLP和RLK成员。通过果实瞬时表达的方法共筛选到调控Vp抗性的RLP成员3个、RLK成员4个。Pbe RP23和Pbe RP27被鉴定为增强Vp抗性的关键调节基因。作为典型的PRRs,这两个基因能够更加迅速地诱导PTI反应并激活SA和JA通路。此外,Pbe RP27与Pbe BAK1相互作用,共同调控免疫反应。本研究的结果可以为抗性相关PRRs的筛选和抗性分子育种提供参考。

关键词： 模式识别   极限学习机   动力假肢   人机交互  

摘要： 中国下肢截肢人数已经超过一百万,目前国内市场上大规模投入使用的商业化下肢假肢仍然是被动式下肢假肢,被动假肢会带来能量消耗过高和步态模式不对称等一系列问题。随着人机交互技术的发展,下肢假肢研究的重点由被动下肢假肢向智能动力下肢假肢转移。但目前市面上存在的绝大多数智能动力下肢假肢在如何自动、准确地识别人体下肢运动意图方面仍存在着开发成本过高、意图识别率太低等问题,降低了下肢假肢和穿戴者之间的协调性和人机交互体验。为降低开发成本、实现假肢与截肢患者协调运动,本文以下肢假肢为研究载体,开发了一套低成本、高稳定性的人体意图识别传感系统,提出了一种改进的极限学习机人体意图识别算法(New Extreme Learning Machine,NELM)。通过理论分析、算法结构设计以及实验验证,对设计的传感系统和提出的人体意图算法可靠性进行验证。主要研究内容包括:首先,对比目前主流运动识别信息源的优缺点,分析人体下肢在运动过程中运动机理和运动特性,以此为理论支撑设计了下肢假肢运动意图识别传感系统,传感系统包括一个惯性测量单元、一个角度传感器和一个压力传感器;为验证系统有效性和安全性,搭建了一套健康人运动意图识别传感系统作为预实验和对比实验。其次,招募了六名健康志愿者和五名膝上截肢患者进行运动信息采集实验,实验收集了九种典型运动模式的运动数据,并对运动数据进行处理,包括数据降噪、分窗处理、数据特征值提取以及归一化处理。然后,使用机器学习算法进行人体意图识别。分别使用线性判别分析(Linear Discriminant Analysis,LDA)、支持向量机(Support Vector Machine,SVM)、极限学习机(Extreme Learning Machine,ELM)和卷积神经网络(Convolutional Neural Networks,CNN)算法对预处理后健康志愿者数据进行模型训练与识别分析,进行LDA、SVM、ELM和CNN四种不同算法结果对比实验,选用更符合实际工程的ELM算法作为重点研究对象。最后,使用膝上截肢患者数据验证运动意图识别传感系统的有效性,并提出一种NELM人体意图识别算法。以膝上截肢患者运动数据为根节点,ELM算法作为决策节点评价标准,设计了决策树模型,对九种运动模式进行分层识别;同时针对ELM输入权值与隐含层偏置值任意产生带来的局部最优解问题,使用麻雀搜寻(Sparrow Search Algorithm,SSA)优化算法进行参数优化。实验结果表明,本文提出的NELM算法对下肢运动意图识别的平均识别准确率为98.6%,Macro-F1值为0.986,大幅度提高人体意图识别效果,改善假肢与膝上截肢患者的人机交互体验。本文提出的算法能够更加准确识别人体下肢运动意图。本文研究可为国内智能下肢动力假肢的产品化发展提供理论基础和技术支持。

关键词： 相位敏感光时域反射计   分布式光纤传感器   机器视觉   目标识别   入侵检测   模式识别  

摘要： 相位敏感光时域反射计(φ-OTDR)是近年来最新的分布式光纤传感器,常用于振动信号探测和分析,具有长距离多点检测、高分辨率、动态响应范围大、抗电磁干扰、耐腐蚀、能量损耗低、测量频带宽、防燃抗爆等优点,能够在重点区域周界安防、石油运输管线、电缆检测、边境线入侵检测、建筑物结构健康监测等领域实现长距离分布式异常振动检测。φ-OTDR中的光纤可以同时作为信号传递介质和振动感知介质,实时采集携带振动信息的由脉冲光产生的后向瑞利散射信号,并连续获取传感数据。然而,由于φ-OTDR的高灵敏性和长距离分布式探测的特性,导致φ-OTDR在实际应用中不可避免地伴随着高误报率。系统的误报通常来源于光学器件频率漂移、线宽范围,电子器件的热噪声、散弹噪声以及检测环境中的偶发的无需振动报警的干扰信号等。其中,光学器件或电子器件引起的噪声可以通过对接受的光信号以及采集的振动信号进行后处理来提高系统信噪比,从而尽可能降低误报。而检测环境中的干扰信号是由外界的真实振源引起的,因此,入侵振动信号的后期模式识别成为分布式光纤传感技术能够降低系统误报率、提高实际应用中的振动检测效果的重要步骤,是降低长距离安防成本的关键。本文研究了光纤中的瑞利散射传感机理,对基于瑞利散射的分布式光纤传感系统进行了振动解调和数据图形表示,并在此基础上自主研发了相位敏感的光时域反射仪(φ-OTDR)的分布式光纤振动传感系统,可以应用于实时振动检测。随后根据不同振动信号解调方法以及模式识别中出现的存在干扰信号的多目标识别问题,分别设计并讨论了不同探测信号状态下的φ-OTDR的振动识别方法,搭建了基于模式识别的φ-OTDR振动监测系统,验证了φ-OTDR模式识别应用于实际长距离异常振动检测的可行性。在保持较低成本的情况下,实现了振动信号在线解调与识别分类相结合,旨在提高φ-OTDR的分类准确度并降低干扰信号误报率。最后,从分类准确度、精确度、召回率、F1得分、模型参数量和其他参数方面评估模型的性能。为提高φ-OTDR的振动检测性能提供了不同的设计路径。论文的主要工作和研究成果如下:(1)在φ-OTDR系统采集的非合作入侵振动信号较少的情况下,提出了一种基于φ-OTDR振动时空图像分割预处理,纹理、统计和形态学特征提取,加权支持向量机相结合的φ-OTDR振动事件识别方法,在采集数据较少、无并行计算单元的情况下可有效区分高铁周界安防中5类振动事件。在图像预处理中,腐蚀和膨胀等方法对振动信号图像进行特征增强。通过最大类间方差法分离振动信号区域和背景,然后计算振动信号区域的35种特征,最终用于构造加权支持向量机。实验表明,在计算资源受限且存在干扰信号的情况下,该方法以330个振动图像为训练集构建模型,在测试集上处理帧率为99FPS、准确率98.8%。为小样本情况下提供一种泛化振动识别方法。(2)对于φ-OTDR检测到的时空图像中包含多振动事件且没有振动事件产生的位置和时间这些先验知识的情况下,提出一种基于卷积神经网络(CNN)、长短时记忆网络(LSTM)与连续主义时序识别(CTC)相结合的φ-OTDR多振动事件实时分类方法,该方法可以在单个待识别数据中包含多种振动信号的情况下快速有效地识别数据中包含的振动类型及数量,且在模型训练时无需人工对齐。CNN用于提取时空图像中的空间维度特征,LSTM提取时间维度关联性特征,融合特征经CTC完成识别标签的自动对齐。实验表明,使用该方法训练得到的识别模型,可以在包含了17589个异常振动活动的8000张振动图像所组成的数据集的测试集上实现210FPS、F1分数为99.62%。(3)当φ-OTDR所需探测距离要求达到百公里级,对应单次待识别的φ-OTDR生成的振动时空图像尺寸在距离维度上更大时,提出一种基于YOLO检测头的改进的自定义多目标识别系统YOLO-A30以提高系统识别性能。该模型结合了残差网络、路径聚合网络、多头检测来提取多尺度深度特征,并从目标置信度损失、定位损失、分类损失各方面提升多目标检测的精度。实验表明,使用该方法对高铁周界地埋、挂网2种光纤铺设场景5种异常振动事件产生的8069个振动图像进行处理,系统m AP@.5为0.995,555 FPS,1秒对应理论最长检测距离135.1公里,能够真对百公里级多点振动的情况快速有效的识别异常振动行为并降低系统虚警率,在保持准确性的同时大大降低计算成本。(4)对于信号光相位解调的φ-OTDR,提出一种快速混合数字解调方法用于解调振动信号导致的光相位变化,从而获取振动时域信号。混合解调方法将瑞利后向散射光经耦合器分为两路,一路信号使用直接探测法解调振动产生的位置;另一路使用本地差分检测方法解调振动事件时域变化信号。在此基础上,通过滑动窗口提取信号时频特征后,卷积神经网络进一步提取信号特征,并利用双向长短期记

关键词： 极限学习机   阈值型神经网络   自适应随机共振   模式识别   噪声平滑化  

摘要： 极限学习机是一种应用于前馈神经网络的快速算法,有着学习速度快、拟合精度高、通用逼近能力强等优势。与传统的梯度下降传播算法相比,极限学习机可以学习反向传播算法无法进行运算的函数,如导数为零的阈值函数。阈值函数由于其硬件实现和计算复杂度低,在工程实际中应用广泛。然而,在面对复杂的学习任务时,极限学习机算法依然不能很好地优化阈值型神经网络,网络性能亟待提高。本文将自适应随机共振机制与极限学习机原理相互结合,探讨一种优化阈值型神经网络混合算法及其实际应用价值。本论文首先结合单层极限学习机的快速学习特征和噪声增强学习能力,提出了一种训练阈值网络的混合算法。训练阶段随机选择噪声调制阈值网络的输入权重,并向阈值激活函数中注入一组噪声样本,使噪声调制的阈值网络在训练阶段具有非零梯度,从而可以使用梯度下降更新包括注入噪声在内的网络参数。注入的噪声强度参数在经过迭代之后最终收敛到一个非零正值,最后通过极限学习机算法确定输出权重为最小二乘解并求得最终输出。这种新的混合算法不仅以极快的方式精细优化权重,而且可以自适应地搜索最优的非零噪声强度。在函数拟合与数据分类等任务中,与神经元采用连续激活函数(全精度)构成的网络得到的测试分类正确率相比,该阈值网络可以在隐藏层神经元数量更少的情况下能够达到同样甚至更高的分类正确率。由此也证明了噪声在阈值网络中的两类有益性质:一是噪声的加入使得阈值网络神经元函数转化为光滑可微激活函数,使得随机梯度下降算法训练神经网络成为可能,二是适宜的噪声强度提高了网络的测试分类正确率。其次,本文提出了基于噪声增强自编码器的多层极限学习机算法,利用多层堆叠自编码器进行特征提取,提取的过程中将噪声注入到每一个隐藏层的阈值激活函数中,使得该阈值激活函数可以在反向传播时足够光滑以进行参数微调,然后将提取过的特征作为新的输入,通过经典的极限学习机进行优化和图像恢复,并实验证实了所设计噪声增强自编码器的优异性能。本文所提出的算法和研究结果扩展了自适应随机共振和极限学习机在实际机器学习任务中的应用前景。

关键词： 局部放电   卷积神经网络   模式识别   嵌入式平台  

摘要： 电力设备局部放电是设备早期的一种绝缘缺陷故障,是电力设备绝缘劣化的预兆。设备存在绝缘缺陷的位置会产生局部放电信号,缺陷类别不同产生的放电信号不同。对局部放电信号进行分类识别可以为电网运维检修提供参考。传统局部放电缺陷诊断需要人为提取局部放电特征参数,识别过程繁琐、准确率低。随着人工智能技术的发展,采用深度学习算法不需要人为干预就可以自动提取局部放电特征,分类识别准确率较高。 卷积神经网络(CNN)作为一种重要的深度学习模型,具有较强的特征提取能力,网络模型设计灵活多样,在图像分类识别中得到广泛的应用。本文通过CNN对局部放电进行模式识别。局部放电试验台传感端采集局部放电信号,制作不同故障类型的局部放电相位分辨(PRPD)图谱作为模型训练数据集。通过Keras工具搭建CNN,使用不同的网络模块Inception模块和深度可分离卷积模块构建轻量化CNN模型,并通过制作的局部放电PRPD图谱对网络模型进行训练。构建的轻量化CNN网络模型整体参数量较少,能在资源有限的嵌入式设备当中部署运行,对局部放电分类识别的准确率较高。 随着人工智能物联网(AIoT)的发展,嵌入式设备作为传感终端成为一种发展趋势。本文将CNN模型测试平台从计算机端迁移至STM32单片机设备。将计算机训练得到h5格式的模型文件通过cube-ai工具将模型编译下载至单片机上。单片机控制高速DAC输出参考电平和局部放电信号处理电路进行比较采集局部放电信号。将采集得到的局部放电信号通过轻量化网络模型进行测试,将测试结果通过串口发送至监测主机,得到的局部放电分类识别结果和在计算机上测得一致。

关键词： 电子鼻系统   脉冲神经网络   仿生嗅觉信号处理   特征提取   信号偏移抑制   模式识别  

摘要： 由于传感器的固有可变性,即使配置相同的多个传感器阵列采集到的数据也会存在差异,这是无法避免的现象。因此,在多个电子鼻系统之间会出现信号偏移的问题。特征提取作为电子鼻系统信号处理的核心环节,在很大程度上决定着电子鼻系统的性能。传统的特征提取方法繁琐且复杂,不仅需要大量的人工干预,而且人工干预的结果具有很大的不确定性,失败的特征提取会严重降低后续模式识别算法的性能。此外,现有的一些模式识别算法分类效果不理想,且生物可解释性差,无法针对性地提升分类精度。针对这些问题,本文提出了相应的改进方法。 (1)为解决特征提取步骤繁琐和传感器信号偏移问题,本文选取了两个公开的电子鼻数据集作为研究对象,并提出了一种基于脉冲神经网络的仿生嗅觉信号处理算法。该算法受到哺乳动物嗅觉系统的启发,简化了电子鼻系统信号处理过程,摒弃了传统方法中繁琐的步骤。模型模拟了哺乳动物的嗅觉信号处理过程,其中虚拟嗅觉受体层模拟了生物嗅觉感受器的功能,并针对传感器响应曲线的典型特征专门设计了两种编码方式(瞬态编码和稳态编码),将电子鼻数据转换为与生物嗅觉信号模式相一致的脉冲信号,从而提高了模型的生物合理性。模型中的仿生嗅球层根据脉冲模式处理电子鼻信号,并输出原始数据中潜在含有判别信息的本质特征。仿生嗅球中神经元间的侧向抑制有助于提升模型的稳定性和自主学习能力。大量的实验结果表明,所提出的模型不仅比几种先进方法具有更好的特征提取能力,还展现出很好的信号偏移抑制能力。 (2)为提升电子鼻系统模式识别算法的分类精度和模型的生物可解释性,本文以自建电子鼻系统收集的工业污染气体检测数据集作为研究对象,提出了一种基于卷积脉冲神经网络的电子鼻信号处理算法。该算法有效地结合了卷积层强大的特征学习能力和脉冲信号处理过程良好的生物可解释性及高效的计算性能,从而实现了对分类精度的提升。同时,模型中的阈值共享残差块能够有效地去除电子鼻数据中与噪声相关的特征,并自动获取阈值,使得模型更好地学习不同类别气体的关键特征,实现精准分类。此外,从响应速率和响应强度两个方面对数据进行编码,充分利用了数据的时序信息,这对电子鼻系统信号处理算法在提升识别精度方面有积极意义,是一种不错的电子鼻数据编码选择。

关键词： 脑活动信号   运动想象   微波检测   脑机接口   模式识别  

摘要： 在脑机接口系统中,如何准确识别受试者大脑中的运动意图是非常具有研究意义的。随着人工智能技术的发展,运动想象BCI系统的应用落地成为了现实,在大数据医疗、虚拟现实、运动损伤康复和脑卒中的康复治疗等应用上大放光彩。随着纳米级微电子制造与封装技术的产量化应用,非接触式方式的采集设备逐渐变的轻便小巧,非常有利于移动的便携式的智能医疗设备的开发,也是物联网的一个重大场景应用。但是非接触式方式的采集的信号信噪比低、可分辨性弱且由于采集介质需要透过整脑,脑功能定位性不强等一系列需要解决的问题,即精细运动想象意图解码问题一直困扰着相关科研人员。本文采用非接触式中的微波天线阵列检测,用微波传输信号(MT)表示运动想象脑活动信息。首先经过试验,在获得原始MT信号数据后,运用短时傅里叶变化(STFT)并选择处于mu频带的预处理后的数据并进行集成经验模态分解(EEMD),选择EEMD之后的特定IMF提取多尺度采样熵(MSSE)。然后用局部线性嵌入(LLE)与等距特征映射(ISOMAP)特征选择和降维进行数据优化,将进行特征工程处理之后的数据集放入决策树(DT)、逻辑回归(LR)、支持向量机(SVM)、K近邻(KNN)和随机森林(RF)等浅层机器学习分类器中进行模式识别并评价,其中LLE-SVM模型的最高准确率为96.97%,平均准确率为90.85%,表明了用多尺度采样熵表征运动想象“左手”与“右手”二模态是可行并且有效的。然后,为了更深层次的识别运动想象的更多运动意图,本文先提出了一个新的深度学习模型名为ALNN,该模型是一个由ABSTLAY、LSTM结合的新的神经网络模型。在精细运动想象三模态识别中获得了较高的准确率,平均准确率最高达62.14%,较好的对该精细运动想象三模态进行了解码,但在四模态识别中的准确率较低。为了在四模态识别中获得性能的提升,在ALNN的基础上,加入了基于键值对的注意力机制,新模型为ALANN。最后实验结果表明,ALANN在三分类识别准确率最高达89.55%,最高平均准确率达79.52%,比ALNN模型有了较大的提升,同时在精细运动想象四模态识别中准确率最高达57.69%,最高平均准确率为52.34%,能够较好的识别精细运动想象的细分模态。本文针对非接触式脑机设备的运动想象意图解码问题,提出了一些新的理论和方法,并有一定的效果,能为未来的非接触式采集脑信息的BCI系统的开发提供参考价值。