关键词： 苦杏仁   炮制加工   化学模式识别   化学品质   质量评价  

摘要： 中药在我国有着几千年的应用历史,是我国传统医药的重要组成部分。中药质量是确保中药临床应用安全、有效的前提,而中药基原、产地、炮制及贮藏等因素加大了中药质量评价的难度。早期的中药质量评价方法主要是通过对性状的鉴别(外观形状、颜色、气味等)进行感官评价;随着现代科技的发展,借助现代仪器分析技术对中药化学成分进行分析,并运用化学模式识别方法构建中药质量化学评价模式,有利于保障中药临床使用的安全、有效。苦杏仁为蔷薇科植物山杏Prunus armeniaca *** Maxim.、西伯利亚杏Prunus sibirica L.、东北杏Prunus mandshurica(Maxim.)Koehne或杏Prunus armeniaca L.的干燥成熟种子。具有降气止咳平喘,润肠通便之效。本课题以苦杏仁为研究对象,从外观性状、炮制、气味及贮藏四个方面结合化学模式识别对苦杏仁化学品质展开系统研究,以期为苦杏仁的质量控制提供一定科学依据。主要研究内容如下:1.本实验基于HPLC指纹图谱结合化学模式识别研究,建立了外观性状与苦杏仁内在质量的联系。通过建立苦杏仁HPLC指纹图谱,进行了相似度评价。基于色谱数据对31批苦杏仁建立无监督的层次聚类分析(HCA)和主成分分析(PCA)模型进行探索性分类,在两模型中样本自动聚为两类,即Class 1类样品偏大,Class 2类样品偏小;基于上述探索性分类结果建立有监督的偏最小二乘判别分析(PLS-DA)模型,并获取了相应化学标记物(苦杏仁苷、野黑樱苷和变量1);并以该化学标记物为变量,重新构建PLS-DA模型,进一步验证化学标记物的合理性;最后,通过测定两类样品苦杏仁苷含量和外观性状指数(单粒重、纵径、横径、厚度及仁形指数),成功建立了苦杏仁外观性状与内在化学品质的联系,即苦杏仁较重、较大呈长卵圆形者,质量更佳。2.本实验基于HPLC指纹图谱结合化学模式识别方法对苦杏仁及其5种炮制品(燀苦杏仁、炒苦杏仁、蜜炒苦杏仁、麸炒苦杏仁和苦杏仁霜)进行综合比较与分析。建立了苦杏仁及炮制品HPLC指纹图谱并进行相似度评价,对苦杏仁及其炮制品进行了初步分类。采用聚类热图分析和PCA模型对苦杏仁及其炮制品进行探索性聚类分析,基于分类结果建立了PLS-DA模型,并获取了相应化学标记物(野黑樱苷,5-羟甲基糠醛,苦杏仁苷,变量2,变量6和变量3);通过比较不同炮制品中苦杏仁苷的含量、降解率及酶活力,发现不同炮制方法可不同程度的降低苦杏仁苷含量(苦杏仁霜除外),降低苦杏仁苷酶活力,减少苦杏仁苷的降解,达到了“杀酶保苷”目的,从化学成分角度探究了苦杏仁炮制物质基础。3.本实验基于超快速气相电子鼻(FGC E-Nose)结合化学模式识别方法对苦杏仁及其5种炮制品(燀苦杏仁、炒苦杏仁、蜜炒苦杏仁、麸炒苦杏仁和苦杏仁霜)气味进行区分鉴别。采用PCA模型对苦杏仁及其炮制品进行探索性聚类分析,基于分类结果建立了软独立建模分析(SIMCA)模型和判别因子分析(DFA)模型,其中SIMCA模型可区分鉴别苦杏仁与炮制品气味,DFA模型可区分苦杏仁及不同炮制品气味;通过Aro Chem Base数据库共鉴别出苦杏仁气味成分37种,并采用直观热图可视化分析了不同炮制品挥发性成分相对含量的变化;根据相对气味活度值(ROAV)获得了炮制前后关键风味成分变化,使气味信息客观化、标准化,从气味成分角度探究了苦杏仁炮制物质基础。4.本实验通过建立长期和加速实验探究苦杏仁及4种炮制品(燀苦杏仁、炒苦杏仁、蜜炒苦杏仁和麸炒苦杏仁)在贮藏放置过程中各理化指标(酸值、过氧化值、苦杏仁苷和相关脂肪酸)的变化情况。以上述理化指标为变量,建立了苦杏仁及炮制品的PCA和PLS-DA模型,可区分生品和其他炮制品。长期实验和加速实验各指标测定结果表明,生品及炮制品的酸值和过氧化值均逐渐升高,苦杏仁苷和脂肪酸含量均逐渐降低,炮制品中各指标变化量较生品降低,且加速28天后生品中过氧化值和苦杏仁苷含量不符合要求,已发生走油变质。研究表明苦杏仁应贮藏于低温干燥环境中,且不宜长时间放置,炮制加工能够提高其抗氧化能力,减缓走油变质程度,从而延长其贮藏时间。本论文采用HPLC和FGC E-Nose等分析技术结合化学模式识别方法,从苦杏仁的外观性状、炮制、气味及贮藏放置四个方面展开相关研究,建立了无监督和有监督的识别模型,并获取了相应化学标记物,为苦杏仁质量控制和评价提供新的研究思路和方法。

关键词： 复杂管网   压力信号   模式识别   水力模型   深度信念网络  

摘要： 随着城市的不断发展,集中管网敷设范围逐渐扩充,管网结构趋于复杂,泄漏状况多变,对泄漏诊断及定位技术提出了更高要求。管网泄漏不但会导致管内流体大量流失、浪费资源,还会影响周围居民的正常生活和安全。因此快速诊断出管网泄漏并进行定位在实际生活中具有极其重要的意义。然而现有的管网泄漏诊断与定位技术精度较低,不能够完全满足需要。为了能够提高复杂管网泄漏诊断与定位精度,减少管网经济损失,本文针对管网泄漏诊断与定位技术进行了研究。首先搭建了一个复杂管网实验平台用以采集管网泄漏压力信号,通过对压力信号进行小波阈值去噪、短时傅里叶变换处理后,从复倒频谱中探究压力波泄漏传递规律,并以此为基础提出一种复杂管网泄漏识别方法。利用此方法对管网泄漏进行识别,结果表明泄漏识别率达到了93%。同时将此方法与经验模态分解等方法进行对比,再次证明了该方法的优越性,可以进一步应用至实际管网中。其次,在识别出管网发生泄漏的基础上进一步基于神经网络技术对泄漏点进行定位。根据实验管网结构建立了管网泄漏水力模型并进行校核,结果表明与实验相对应的泄漏点泄漏时对应监测点的模拟值与实验值的误差均小于1 m,完全满足管网模型构建的校核标准。同时根据此模型模拟了不同泄漏工况下、不同漏点泄漏时监测点的压力,进一步通过计算建立了5个监测点泄漏前后压力差与泄漏位置及泄漏量之间关系的管网泄漏特征值数据库。最后,利用管网泄漏特征值数据库中1305组数据对深度信念网络(Deep Belief Network,DBN)模型进行训练,并对DBN模型的的初始化参数、拓扑结构、迭代步数、学习率等进行讨论得出最佳的DBN泄漏定位模型。对DBN模型预测结果进行分析得出DBN泄漏定位模型对于泄漏位置及泄漏量的预测精度达到了96.2%以上,与其他两种神经网络相比,DBN模型的预测效果最佳。同时将该模型用于实验管网的泄漏定位,结果显示对实验管网漏点位置的预测精度达到了95.35%以上,进一步证明了该方法对于实际复杂管网有很好的预测效果。

关键词： 肿瘤标志物   适配体   液晶   生物传感器   偏振光显微技术   图像处理   模式识别  

摘要： 血清肿瘤标志物作为一种生物标记物,是癌症早期临床诊断的关键依据之一。如何更加快速、高灵敏和宽范围进行血清肿瘤标志物检测,这一直是生物检测领域重要研究内容。以适配体作为待检靶标分子识别部分（敏感元件）,结合转换部分（换能器）,开展适配体传感器研究,这为血清肿瘤标志物定量检测提供了有效途径。本文以适配体为分子识别元件、液晶分子为换能器,构建适配体液晶传感器并用于前列腺抗原（PSA）、癌胚抗原（CEA）和黏蛋白1（MUC1）三种血清肿瘤标志物定量检测。在此基础上,分别进行液晶传感器偏光显微图像亮区覆盖率（Br）特征值自动提取及支持向量机的液晶传感器偏光显微图像模式识别分类模型研究,其最终目的是减少人工选取图像所引起的误差、提高肿瘤标志物检测准确性。论文主要内容如下:（1）适配体液晶传感器构建及无标记检测PSA。适配体液晶传感器由基片（下玻片）、铜载网和上玻片组成,优化条件获得的基片上DMOAP/APTES-GA-适配体和上玻片DMOAP可诱导向列型液晶分子5CB的垂直排列取向。无PSA时,传感器内5CB液晶分子维持垂直排列取向,偏振光显微镜下呈现“黑暗”响应图像;有PSA时,传感器内适配体与PSA特异性结合会影响5CB分子原有垂直排列取向,导致偏光显微图像出现由“黑暗”到“明亮”。利用MATLAB建立的偏光图像处理程序能够进行图像矫正分割、偏光显微图像特征Br提取与计算等操作,这有效减少了人为因素引起的检测误差,使PSA检测过程更加便捷和准确、。该传感器具有良好的检测特异性,在1 fg/m L～1μg/m L范围内,偏光显微图像Br与PSA浓度对数间有线性相关性(Br=7.86998 Log CPSA+6.50541),R2达到0.99413,检测限为0.58 fg/m L,可进行血清样本PSA有效检测。此外,文中还借助原子力显微镜（AFM）对基底依次修饰的各分子的表面形貌进行了表征,用于支撑研究结论。（2）适配体液晶传感器同时检测MUC1与CEA。在（1）的基础之上,进行了CEA和MUC1两种血清肿瘤标志物同时检测的的适配体液晶传感器研究,考察该传感器灵敏性、特异性、实际样本中检测的效果以及基底修饰各分子的AFM表征。结果表明,传感器检测MUC1浓度范围为1 fg/m L～1μg/m L,浓度对数与Br间具有线性关系,线性方程为Br=8.16364Log CMUC1+11.60762,R2为0.9828,检测限为0.47 fg/m L;CEA检测浓度范围为100 fg/m L～100 ng/m L时,线性关系良好(Br=12.00628Log CCEA+31.33056,R2=0.98406),传感器检测限为0.038 pg/m L。该传感器同时检测MUC1与CEA的特异性良好。（3）基于支持向量机的液晶传感器偏光显微图像模式识别分类模型。根据机器学习的思想,构建了基于SVM的模式识别分类模型,使用GLCM提取偏光显微图像中的纹理特征。通过研究中得到的样本进行分类模型的训练,使计算机可以自行识别传感器图像的检测结果是否低于或超过临床阈值。当输入一张全新的偏振光显微图像后,分类模型可以对其进行精确的分类,对检测结果高于或低于靶标的临床阈值进行判断,检测过程十分迅速。此外,通过生成混淆矩阵,测得分类模型的分类准确率较高,达到0.9222（上限为1）,证明此模型具有良好的应用性能。文中构建的适配体液晶传感器具有高度的灵敏性、特异性以及较宽的线性检测范围与良好的稳定性。更换传感器基底修饰的适配体后,此液晶传感器还可应用于其他靶标物质的检测,且研究中构建的偏光显微图像处理程序与模式识别模型,也可应用至其他检测手法相近的液晶生物传感器。该传感器的成本低廉,检测过程方便快捷,无需额外的标记手段即可对肿瘤标志物进行检测,在临床上快速检测肿瘤标志物的需求中具有较大的参考价值与发展潜力。

关键词： 局部放电   模式识别   状态评估   软件开发   工业应用  

摘要： 高压电缆在城市输电网络中占有越来越大的比重,其运行状态直接影响电力系统供电网络的可靠性。高压电缆在外力破坏、出厂潜在缺陷、长期大电流运行等因素下易发生电缆击穿事故。而局部放电(简称局放)在线监测可在事故发生前检测到电缆的潜在故障。同时高压电缆的局放模式识别和状态评估是在线监测系统的重点研究内容。本文主要针对这两个内容开展研究工作,研究内容及取得的主要成果如下:(1)提出了一种基于进化学习的高压电缆局部放电模式识别方法。该方法使工业现场的识别模型通过样本库的进化机制和模型自训练流程不断自主学习,提高识别率。当实验室模拟新的缺陷类型时,未进化的模型无法将新的放电类型识别成同一种放电,其中有36.8%的样本被识别成类型2,63.2%的样本被识别成类型4。而进化后模型的识别率为98.7%。这证明进化学习的有效性。(2)提出了基于模糊层次的高压电缆多参数状态评估方法。建立考虑电缆多参数的一级、二级评价参数集合,通过多参数评价流程与模糊综合评估方法得到电缆绝缘状态等级,合理安排检修顺序。重点研究包括局放类型、局放发展趋势、局放监测过电压的局放在线监测综合预警方法,并将该方法应用于工业现场,利用振荡波局放定位试验验证预警方法的正确性。(3)开发了基于Web的高压电缆局部放电智能监测中枢系统软件。通过多线程通信技术接收数据,利用MySQL数据库管理数据,基于Vue和Flask框架开发中枢系统可视化软件,采用Ajax局部刷新技术实现数据可视化与后台之间的数据交互。中枢软件集成了模式识别、状态评估、局放在线定位、生成报告、趋势分析等功能。(4)开展了高压电缆局部放电智能监测中枢系统的工程应用。系统应用于某热电厂,负责实时监测67条电缆,共134个监测点。截至2022年4月,系统完成软件升级3次,记录数据超700万条,自主学习2类局放信号,共发现6起局放案例,并通过定位实验、解剖分析、振荡波实验等多种手段验证了系统预警的正确性。

关键词： 高温超导体   失超检测   红外热成像   模式识别  

摘要： 近年来关于超导体的研究日益成熟,超导体在各个领域中的应用为能源升级与高新科技发展提供了良好的机遇。随着超导设备的需求不断增加,超导体自身存在的失超现象阻碍着超导设备的推广与发展。传统的超导体失超检测使用电信号检测失超,在检测过程中容易受到电磁噪声的干扰不能及时准确判断超导体上是否存在失超现象,因此需要辅助检测方法判断超导设备中是否存在失超现象。作为一种非接触和实时的检测方法,红外热成像技术不需要接入超导设备中即可捕捉超导设备上的温度变化,相较于传统的失超检测方法具有一定的优势。本文重点为对超导体失超检测系统的研究,主要任务是设计一个实时性好的超导体失超检测系统。该失超检测系统的上位机软件是系统的核心,因此本文的主要内容是实现上位机软件的主要功能模块。该系统主要解决了失超检测过程中系统实时性差与检测精度低等问题。首先,根据系统的实际需求,选择合适的红外热像仪作为红外检测设备并完成了超导体失超检测系统的总体设计。针对红外图像噪声多、对比度低等特点,提出了相应图像增强算法与伪彩色处理算法。其次,根据模拟实验中获取的红外图像设计了相应的模式识别算法,模式识别算法将经过预处理后的图像进行特征值提取,获取特征值数据后导入经过遗传算法优化后的BP神经网络模型中判断超导体的状态。经过遗传算法优化BP神经网络中的阈值与权值,误差从由最初的0.1降为0.05。最后,根据超导体失超检测系统中的软件需求,设计并实现了超导体失超检测系统的上位机软件,上位机软件具有图像采集与显示模块、图像处理与特征提取模块、数据处理识别分类模块、预警模块。经过模拟实验后计算得出失超检测系统完成一次检测的耗时500ms,可以满足实际场景的需求。除此之外,通过上位机软件获取的数据便于后续开展对失超机理的研究。

关键词： 课堂质量评价   特征融合   特征提取   特征建模  

摘要： 课堂授课是传播和扩散知识的重要手段之一,而课堂质量评价是老师授课的质量保证和学生人才培养的重要手段。传统课堂教学质量评价存在着一些问题和不足。随着互联网不断发展,互联网+教育时代的到来将开启新兴网络技术和传统教育的融合。近期以来,国内外的研究学者将研究重心更多的是倾向于教育实践和模型创新之中,缺少课堂质量评价方面的标准与相关研究。并且,传统课堂质量评价的形式一般为根据学生以及教师领导等人的主观判断为主。传统课堂质量评价存在以下几个问题:第一,评价标准较为单一且缺乏一定的灵活性与科学性;第二,评价指标具有一定的片面性;第三,评价过于量化结果。针对以上提出的问题,本文提出采用人工智能中模式识别与机器学习等方法,将传统的质量评价与新兴的科学技术相结合,客观科学地评价课堂质量。本文在真实课堂环境中,通过设置摄像头,改写摄像头SDK进行自主控制移动,从而获取课堂教学中真实可用的人脸、姿态、考勤等信息,提出了两种特征融合方法分别是基于特征层面与模型层面,设计单维度特征实验与多维度特征融合实验进行对比,验证该方法的具体可行性与效率。本文在单维度特征实验中,主要研究不同维度下对于课堂质量的影响因素以及影响权重,针对于面部特征提取采用Gabor小波变换进行提取纹理信息与改进的LBPH算法作为特征提取方法,采用圆形LBP算子,在原先的基础之上保持图像的旋转不变性,且对于纹理的感知更为灵活以及对于光照的鲁棒性更强等。针对于姿态识别则采用Alphapose框架,进行获取课堂学生骨骼姿态动作。选定特定的骨骼点之间进行连线以及计算距离等参数构建动作特征向量。而在多维度特征融合实验中,主要研究特征层面与模型层面的融合方法对于课堂质量评价的效果影响。首先将对于不同维度下的特征进行标准化、多维度特征匹配等数据预处理操作,然后根据与课堂质量评价的影响程度获取权重,进行权重和加法进行特征层面融合训练得到模型,以及使用Stacking方法将不同维度下的模型进行训练汇总得到模型层面融合。最终,将与原始单维度特征下进行比较,验证多维度特征融合方法的可行性与有效性。

关键词： 滚动轴承   特征提取   熵   模式识别   支持向量机   故障诊断  

摘要： 作为广泛应用的机械零部件,滚动轴承恶劣的工作环境易导致其出现各种故障,引发生产事故,故对其进行故障诊断意义重大。滚动轴承故障信号特征微弱,常规的线性处理方法无法有效地提取特征信息。如经验模式分解（EMD）、小波变换等,都存在终端效应和模式混叠等缺陷。近些年,许多非线性参数不断被提出,如样本熵（SE）、排列熵（PE）和散布熵（DE）等。多尺度熵（MSE）则能表征时间序列在不同尺度下的自似性和繁杂度。通过MSE提取轴承信号特征,然后利用粒子群优化的支持向量机（PSO-SVM）识别故障特征。结果表明,MSE的特征提取效果比多尺度近似熵（MAE）和小波包分解好,PSO-SVM的模式识别能力优于SVM和网格寻优法的SVM。然而,SE在处理短时间序列时受突变信号影响大,PE则能检测信号的动态突变,多尺度排列熵（MPE）抗噪能力强和计算能力高。复合多尺度加权排列熵（CMWPE）弥补了MPE的缺陷,能有效区分信号的不同模式。实验表明,CMWPE特征提取能力比MPE、MSE强,其结合PSO-SVM的故障识别准确率较后者分别提高了1.08%、0.5%。但是,PE未能考虑信号幅值差的影响且对噪声敏感。波动散布熵（FDE）克服了上述几种熵算法的固有缺陷,且考虑了信号的波动性,其稳定性和计算效率也更高。与MSE和MPE相比,多尺度波动散布熵（MFDE）计算效率更高、特征提取性能更优。但粗粒化过程中的不足会导致计算不稳定、熵值精度低。因此,本文提出了改进的多尺度波动散布熵—广义精细复合多尺度波动散布熵（GRCMFDE）。结果表明,GRCMFDE特征提取效果优于MFDE、MWPE和MSE,其结合PSO-SVM的故障识别准确率较后者分别提高了0.54%、0.6%、0.73%。本论文对现有熵算法的缺陷进行改进,用改进的熵算法提取滚动轴承信号特征和利用人工智能技术进行故障识别。实验分析表明,改进的熵算法结合粒子群优化的支持向量机故障诊断模型对轴承不同故障类型和故障程度识别准确率高,为提高轴承故障的检测精度提供了一种优良的方法,具有一定的工程应用价值。

关键词： 特大道路交通事故   事故影响因素   多重对应分析   T-S模糊故障树   CREAM  

摘要： 近年来,随着我国对交通领域的大力整治,交通安全形势总体趋好,但是机动车数量的持续增长,特大道路交通事故时有发生,影响恶劣,因而对此类事故的研究仍非常有必要。目前,对特大道路交通事故的研究多为对事故特征和影响因素的统计分析,缺乏系统性的研究和探讨。因此,本文对特大道路交通事故的特征、影响因素及其深层次的原因进行系统地深入探讨研究,对减少此类事故的发生提出有针对性的建议措施。首先,本文从2000-2019年的道路交通事故统计年报中提取出特大道路交通事故的地点、时间、类型等因素,对特大道路交通事故进行统计分析,分析分布特征,从人、车、路、环境四方面对其进行描述性统计,从总体上把握特大道路交通事故的分布规律,为后续的研究提供数据基础。其次,本文将现有的二十年事故数据按照每十年、每五年和数量趋势三种不同方式划分为不同阶段,对每种方式的每个阶段基于MCA法进行模式识别,生成类别点联合图,从而根据类别点分布情况识别出类别云团即事故模式,并进行比较,挖掘出演变规律。结果发现,特大道路交通事故成因中的违法载人、违法超车、疲劳驾驶等违法行为和注意力不集中等不当行为以及高速公路这一道路等级得到了较好的改善,而超载、超速、不按规定车道行驶等危险行为以及操作不当、不良线形条件等仍未得到有效的治理。然后,根据模式识别中的阶段划分,本文选取典型阶段2010-2019年的特大道路交通事故数据,构建T-S模糊故障树,并转化为贝叶斯网络,同时确定基本事件的状态、模糊概率,根据T-S门规则对条件概率表进行赋值,通过贝叶斯网络进行正反向推理,计算模糊重要度、关键重要度等,综合排序确定主要成因。结果表明,操作不当、超速、防护设施不完善、弯坡组合、路面湿滑、未按规定行驶是造成特大道路交通事故的六大主要成因,其中操作不当和超速在六大成因中更为关键,从而提出有针对性的特大道路交通事故预防措施。最后,通过对已有研究结果的分析,发现人因在特大道路交通事故中占据了主要地位,因此本文基于CREAM法对人因进行分析。根据CREAM回溯分析法对人因失误模式进行阐述,确定失误模式的基本前因,寻求人因产生的根原因。根据CREAM扩展分析法,确定效应影响指数和认知活动,计算环境环境影响指数和人因事件失误概率。通过定性分析和定量分析的结合,得到事故发生的人因根原因。结果表明,驾驶员安全意识的不足、监督管理的不到位、驾驶技能的欠缺、驾驶心理的不正确是造成特大道路交通事故的主要人因根原因,为制定治理和预防措施提供依据。本文通过基于多重对应分析方法生成类别点图识别特大道路交通事故模式并进行演变规律的分析,针对典型阶段建立了T-S模糊故障树并转化为贝叶斯网络确定特大道路交通事故的主要成因,且基于CREAM法针对突出影响因素人因进行深入分析根原因。本文以分析得到的成因结果为基础,提出了预防特大道路交通事故的措施,具有一定的现实指导意义。

关键词： Feature extraction   Time-domain analysis   Electromyography   Muscles   Pattern recognition   Speech recognition   Signal processing algorithms   Generalizability   gesture recognition   pattern recognition (PR)   signal processing   surface electromyography (sEMG)  

摘要： Gesture recognition via surface electromyography (sEMG) has drawn significant attention in the field of human-computer interaction. An important factor limiting the performance of sEMG-based pattern recognition (PR) is the generalization ability which sEMG changes for the identical movements when conducted at various positions or by different persons. Thus, this study aims to explore the generalization of classifier to develop a stable classification model that does not require relearning, even if it is used by other people. We propose a new feature extraction method to diminish the influence of limb position on sEMG-based PR. Specifically, the sEMG features are extracted directly from time domain. This condition is accomplished by using Fourier transform properties, difference, and the sum of squares differences. The best offline cross-validation accuracy (CVA) results are 88.775% training data from the tenth subject and testing data from the fifth subject in the NinaPro dataset. The best online CVA is 99%, and the movement selection time is 47.036 +/- 1.028 ms. In comparison with the well-known sEMG feature, the CVA and the generalization of the proposed features improved substantially. These improvements aim to facilitate the practical implementation of myoelectric interfaces.

关键词： 随机多项式神经网络   随机小波多项式神经网络   最小二乘法   粒子群算法   模式识别  

摘要： 随机神经网络结合了随机理论和神经网络的优点,其具有强大的泛化能力和自学习能力,在安全防控、模式识别、医学图像等领域取得了显著的成绩。然而,传统的随机神经网络也存在一些缺点,特别是在建立多维复杂模型时泛化能力并不能满足实际的需求以及容易陷入过拟合困境的弊端。本文提出一种随机小波多项式神经网络来解决上述问题,主要创新点如下:1.提出随机多项式神经网络。该模型具有以下突出优点:泛化能力强,能很好地描述输入数据与输出数据之间的高阶非线性关系。随机多项式神经网络结合集成学习的思想,采用随机重采样技术生成多个子数据集,利用生成的子数据集构造多个多项式神经网络,再把单个的多项式神经网络聚合一起形成随机多项式神经网络。并利用最小二乘法对多项式函数的系数进行估计,减少了模型的计算量,使随机多项式神经网络的泛化能力得到提高。2.提出基于粒子群优化的随机小波多项式神经网络。该模型是在随机多项式神经网络的基础上进行改进的,其具有更好的分类性能。此外,该模型可以较好的处理时域性信号数据。使用L2正则化最小二乘法来估计模型的参数。此外,采用粒子群优化算法优化模型的结构参数和输入参数,进一步提高了模型的泛化能力。3.将提出的神经网络应用于人脸识别和房颤诊断。提出了一种基于随机多项式神经网络的人脸识别模型,首先使用局部二值模式算法提取人脸的特征,然后利用主成分分析方法对人脸特征进行降维,最后用随机多项式神经网络对人脸进行分类。另外,提出了一种基于粒子群优化的随机小波多项式神经网络的房颤诊断模型,首先利用小波变换对房颤信号进行去噪,然后对去噪后的数据进行特征提取,最后再输入到提出的模型中进行诊断。实验表明提出的模型的分类正确率优于传统模型的分类正确率。