关键词： 多传感器   单步分割   数据融合   支持向量机   室内行人运动   模式识别  

摘要： 基于MEMS惯性传感器的室内行人自主定位技术和系统近年来受到广泛关注。准确、实时识别行人在室内的运动状态和方式,对于提高惯性定位系统的精度具有重要的辅助作用。以此为背景,本文对基于多MEMS惯性传感器信息融合的室内行人运动模式识别技术开展了研究,所完成的主要研究工作包括:(1)深入分析了室内行人运动模式的主要类型和各种模式的特点,讨论了准确、实时识别行人运动模式所要解决的关键问题,结合室内行人惯性定位的应用背景,确立了基于足绑式MEMS惯性传感器的室内行人多运动模式识别的方案:行人单足足绑包含加速度计和陀螺仪的MEMS传感器,分别采集5种室内行人常规运动模式的足部惯性数据,基于足部运动的特点,对数据进行有效分割并提取特征,融合加速度计和陀螺仪的信息来进行运动模式的识别,以提高识别准确率。(2)构建了基于特征级融合的多传感器数据融合模型,结合应用背景确定了用于多传感器行人运动模式识别的特征量:7种加速度时域特征和6种陀螺仪姿态特征,讨论了各种特征量的提取方法和算法。(3)针对采用固定长度滑动窗口截取数据来提取特征量的传统方法存在的窗口长度选择困难、不同模式特征量差异不够显著、特征量的时间分辨率较低不利于运动模式实时识别的问题,提出了一种基于单步划分的数据截取和特征提取方法。由于足部运动的周期性,足绑式传感器获取的惯性传感器数据将呈现同样的周期性。基于这种周期性,将人体运动时的惯性传感器数据进行单步分割,再提取每个单步数据的特征,采用支持向量机进行运动模式的分类识别。分析表明单步划分法提取的不同模式下的特征对运动的表征力强、差异显著,在行人多运动模式切换识别中具有实时性。最后,设计实验方案对本文所提出的室内行人运动模式识别方法进行验证。结果表明:与一般的滑动窗截取数据并提取特征的方法相比,单步特征法能够显著提高行人运动模式识别的准确性,平均准确率提高了6.8%。同时,单步特征法识别行人多运动模式切换的实时性也明显优于滑动窗法。与采用单一的加速度计进行运动模式识别的方法相比,多传感器信息融合的方法更准确地实现了对室内行人日常运动模式的识别,识别准确率从93.27%提高到了97.74%。

关键词： 运动想象   脑功能网络   多变量格兰杰因果关系   模式识别   卷积神经网络  

摘要： 运动想象是一种康复医疗新方法,它和实际运动一样能有效激活运动相关的大脑皮层。脑功能网络能够有效的反映出大脑的活动状态,它可以作为运动想象研究的辅助方法。近年来,大量研究者投入到运动想象脑电信号的模式识别方法的研究中,这一技术是康复机器人、脑机接口等领域的重要技术指标之一。本文对脑功能网络的构建以及基于脑功能网络的运动想象脑电信号的模式识别技术进行了研究。首先阐述了运动想象脑电信号的研究背景以及目的意义,然后概述了脑功能网络、运动想象脑电信号模式识别技术的国内外研究现状,提出了一些尚待解决的问题,最后针对这些问题进行研究。本文完成了以下研究工作:(1)脑电信号预处理:先对采集得来的脑电信号进行滤波,得到我们关注的频段成分,滤除高频噪声以及不需要的频率成分,然后做去伪迹处理,去除心电、眼电的干扰,最终得到纯净的运动想象脑电信号。预处理为脑功能网络的构建分析以及脑电信号的模式识别准备了良好有效的运动想象脑电信号。(2)脑功能网络的构建:本文引入可反映一个集群中多个变量之间相互作用的多变量格兰杰因果分析方法,优化了运动想象因效性网络的构建,克服了当前格兰杰因果关系只能反映两个变量之间的相互作用的不足。用同一方法对基于多变量格兰杰因果关系构建的和基于格兰杰因果关系构建的因效性网络进行特征提取与分类,发现相比基于格兰杰,基于多变量格兰杰因果有更好的分类准确率,因此得出基于多变量格兰杰因果关系构建的因效性网络能更准确的反映运动想象神经活动特征状态。(3)多类运动想象脑电信号的识别:本文提出了一种基于卷积神经网络和因效性网络的多类运动想象脑电信号识别方法。因效性网络覆盖大脑的多个功能脑区,相对于单个电极或几个电极更能反映大脑的活动状态。利用因效性网络进行多类运动想象脑电信号的识别,首先使用多变量格兰杰因果关系构建运动想象因效性网络,然后使用因效性网络矩阵训练卷积神经网络并确定卷积神经网络的模型,最后使用该模型对多类运动想象脑电信号进行分类,得到较好的准确率。该方法为多类运动想象脑电信号的识别提供了新的思路。

关键词： 水声通信   模式识别   特征提取   机器学习   卷积神经网络  

摘要： 水下作战网络的不断进步,离不开水下通信网络安全和水下信息对抗技术的研究与发展。对于截获的非合作通信信号进行调制模式识别是水下对抗侦察阶段的核心环节,也是对抗阶段的第一步。获得截获信号的调制方式后,可以对信号进行参数估计和解调,并且可以模仿对方信号特征进行欺骗干扰。无线电通信信号的调制模式识别技术发展得相对成熟,但由于水下信道时变空变,高频衰减,信号受到多径、多普勒等影响,直接应用于水声通信信号效果不佳。如何找到适应不同水下通信环境的高性能模式识别算法成为水下通信识别领域新的关注点。首先给出了模式识别的基本原理和基本流程,研究了水声通信信号预处理和特征提取的方法。针对几种特征提取方法进行实验分析,提取出信号的瞬时特征、特征参数、高阶累积量和基于短时傅里叶变换、小波变换的时频特征。其次,由于恶劣的水声信道呈现不稳性和随机性,调制模式识别算法对分类器性能要求更高,开展了从经典的K近邻分类到深度学习分类器算法的研究。最后,将特征提取和分类识别算法相结合,研究了基于特征参数与高阶累积串联特征的K近邻和CART决策树识别算法、基于瞬时特征的长短时间网络分类算法,提出了基于时频特征的TLGoogLeNet卷积神经网络水声通信信号模式识别算法,完成了单载波调制(BPSK、QPSK、8PSK)、直接序列扩频(DSSS)和正交频分复用(OFDM)三大类5种调制方式的模式识别。通过仿真实验,验证了各识别算法的可行性并分析了信噪比对各种识别算法准确率的影响。通过处理水下通信实验数据,对所提出算法的性能进行评估与分析。其中基于TLGoogLeNet的卷积神经网络模式识别算法在准确率、查全率和F1值上均达到90%以上,成功实现了对5种调制方式信号的准确识别。论文研究内容可为水声通信侦察与对抗系统提供必要的技术支撑。

关键词： 交通网络动态特征   时序数据网络化   交通状态分析   交通流预测   数据预处理   模式识别  

摘要： 随着智慧城市的建设发展,大量交通相关的数据不断产生,逐步从数据维度描述着城市交通的变化。结合先进的分析技术剖析这些交通数据,可以从中获取交通状态趋势和规律模式。由现阶段的发展来看,交通数据的分析技术可有效地提高智能交通系统的服务水平。因此,如何透过交通数据认知和分析城市交通网络动态特征,已经成为现代智能交通领域的重要课题。实际城市道路交通网络的数据由每个路段及交叉口产生的交通检测数据组成,从整体上看,数据信息的变化体现着整个路网各个组成元素间交通状态的相互牵制;从局部上看,数据信息的变化体现着路网组成元素上交通状态的时变规律。每个交通数据都是交通网络信息的基本元素,均具有时间和空间的属性。因此,本文以交通数据模型为出发点,从数据模型中提取不同数据对象进行交通特征层面的技术分析,应用集成学习、复杂网络和深度学习理论解决城市交通网络动态特征分析的关键问题。主要研究内容如下:(1)城市交通网络动态特征分析技术框架本研究的核心是城市道路交通网络,根据检测数据的空间特性确定城市交通网络结构模型。在考虑交通数据时空属性的基础上,提出基于网络结构和时序关系的交通数据张量描述。根据数据模型中提取的不同对象(包括数据元素、纤维和张量)进行交通特征层面的技术分层,包括离散交通数据预处理层、时序交通数据分析层和时空交通数据预测层,从而确定了城市交通网络动态特征分析的技术框架。(2)基于多检测源的离散交通数据预处理离散交通数据预处理层主要针对交通数据张量的元素数据,为实现固定检测器采集数据的预处理,提出了基于优化随机森林的多源检测数据校验方法和基于滤波估计的多源检测数据融合方法。为识别交通检测数据中的离群数据,加强训练集采样中相应样本的感知权重,引入决策树关联机制优化随机森林,实现针对多源检测数据的校验。选取多组实际示范区检测数据进行模型验证,并与同类方法进行对比分析。结合实际交通数据的多源性,利用多检测源数据联合估计的方法获取融合交通数据。采用校验筛查后的实例数据验证融合模型,验证表明预处理方法可为后续时序分析提供可靠的交通数据。(3)基于复杂网络的路段时序交通数据特征分析时序交通数据分析层主要针对交通数据张量提取的纤维数据,为实现交通时序数据的状态特征分析,应用相空间重构方法和可视图方法解析交通流动力学特性的信息空间。通过构建相空间重构的交通流时间序列网络,获取对应网络结构的模块化、平均聚类系数和度分布等结构特征。分析不同参量的实例交通流时间序列网络表明网络的度分布具有高斯分布特征,平均聚类系数具有衰减特征,且结构模块化较高。考虑交通流时间序列具有交通状态差异性,提出分解不同状态下的交通流时间序列构建复杂网络的方法。利用CLARA算法对交通状态进行划分,并采用多参量矩阵叠加的方式获取交通流时间序列的网络邻接矩阵。分析实例交通流时间序列的网络结构在不同状态下的模式,挖掘交通状态变化与时间序列网络结构的可视化关系。(4)基于深度学习的网络时空交通拥堵态势预测时空交通数据预测层主要针对时空交通数据张量,为实现交通网络时空拥堵态势预测,提出基于GRU-CNN的时空交通拥堵状态预测方法。考虑到交通数据的时间属性和空间属性,对交通数据三阶张量从时间域角度提取管纤维,利用GRU对其进行交通网络的交通流参量预测;然后,从空间结构角度将多源时空交通数据三阶张量压缩为交通数据图像,利用CNN的图像特征提取技术对其进行拥堵特征提取和识别。选取实际城市交通网络数据进行模型验证,采用实际已分类数据集训练交通流多步预测模型和交通拥堵状态识别模型,验证结果表明模型可有效保证预测的精度,并可利用预测值对网络态势进行有效识别。

关键词： Machine Learning, Decision Trees, Convolutional Filters, Genomics, Cancer, Entropy  

摘要： Transcription factors (TF) are proteins that interact with DNA to regulate the transcription of DNA to RNA and play key roles in both healthy and cancerous cells. Thus, gaining a deeper understanding of the biological factors underlying transcription factor (TF) binding specificity is important for understanding the mechanism of oncogenesis. As large, biological datasets become more readily available, machine learning (ML) algorithms have proven to make up an important and useful set of tools for cancer researchers. However, there remain many areas for potential improvements for these ML models, including a higher degree of model interpretability and overall accuracy. In this thesis, we present decision tree (DT) methods applied to DNA sequence analysis that result in highly interpretable and accurate predictions. We propose a boosted decision tree (BDT) model using the binary counts of important DNA motifs to predict the binding specificity of TFs belonging to the same protein family of binding similar DNA sequences. We then proceed to introduce a novel application of Convolutional Decision Trees (CDT) and demonstrate that this approach has distinct advantages over the BDT modeil while still accurately predicting the binding specificty of TFs. The CDT models are trained using the Cross Entropy (CE) optimization method, a Monte Carlo optimization method based on concepts from information theory related to statistical mechanics. We then further study the CDT model as a general pattern recognition and transfer learning technique and demonstrate that this approach can learn translationally invariant patterns that lead to high classification accuracy while remaining more interpretable and learning higher quality convolutional filters compared to convolutional neural networks (CNN).

关键词： 滚动轴承   故障诊断   变分模态分解   趋势估计   复合多尺度分散熵   模式识别  

摘要： 随着我国高速铁路的快速发展,列车的运营速度在不断提高,其安全问题得到越来越多的关注。滚动轴承的健康状态,对列车走行部的安全有着直接影响。故以滚动轴承为目标,研究滚动轴承故障特征提取和故障模式识别方法具有重要意义。主要内容如下:首先,回顾滚动轴承故障诊断技术发展历程,对特征提取方法及模式识别方法简要介绍。分析轴承失效成因及其特性,为下文奠定理论基础。其次,本文详细介绍了变分模态分解(VMD)理论基础及其理论。通过仿真信号分析了VMD算法在抗两类模态混叠(间断性事件干扰或模态分量频率接近所引起的模态混叠)以及噪声鲁棒性的方面的性能,并与经验模态分解(EMD)相对比,结果表明VMD算法更具优势。定量分析了惩罚因子和模态个数对VMD算法分解性能的影响,结果表明模态个数的选取对分解性能影响最大。通过滚动轴承故障仿真信号,分析了初始中心频率对VMD算法分解效率及性能的影响,结果表明,两种不同初始中心频率的选取方式所得迭代效率不同,所得模态分量的中心频率偏差较大;对于不同惩罚因子,算法分解所得模态分量的中心频率为区域型收敛;随着惩罚因子的增大,算法迭代效率呈现为范围稳定现象。然后,针对VMD算法参数选择的问题,在上文分析的基础上,提出了基于趋势估计引导的VMD优化方法。即通过趋势估计方法对待分解信号进行处理,获取VMD算法初始化所需的初始引导中心频率,利用所得参数完成VMD算法初始化,以此来解决VMD算法参数选择的问题。最后以仿真信号验证了所提方法的有效性及高效性,并通过全寿命周期加速试验台信号以及高速列车轮对跑合试验台信号验证了所提方法的准确性,并与传统方法相对比,进一步说明了所提方法的优势。最后,为实现滚动轴承故障模式的自动识别并保证识别精度,提出了将优化VMD算法与复合多尺度排列熵(CMDE)、最大相关最小冗余(mRMR)方法和极限学习机(ELM)相结合的滚动轴承故障模式识别方法。引入多尺度分散熵(MDE),并针对MDE方法的缺陷,提出了基于复合多尺度分散熵(CMDE)的滚动轴承特征提取。通过仿真信号对CMDE和MDE对比分析,并将CMDE和优化VMD算法相结合用于获取信号的特征。针对多尺度特征集高维度及冗余的问题,引入mRMR算法,计算向量集中各尺度特征的重要性和可分性,筛选出更优特征,构建新故障特征向量集,并结合极限学习机(ELM)实现故障模式的识别。最后通过实测信号验证了所提方法能准确、可靠的实现故障的识别和分类。

摘要： Machine Learning is boosting up the advancement in the eld of Arti cial Intelligence these days. However, almost every machine learning algorithm contains an optimization problem to solve. Inspired by quantum mechanics, quantum computing is quite a promising approach to solve high complexity optimization problems signi cantly faster and more e cient than classical computers. In this paper, we have worked on a very fundamental supervised learning problem. First, we discuss an approach to map the classical feature points on a quantum computer. Then we propose a Quantum Support Vector Machine(QSVM) model that runs on near term superconducting quantum processors. We show that using quantum optimization it is possible to train a discriminative SVM model that is capable of recognising patterns.

关键词： 半导体气体传感器   温度调制模式优化   小波特征提取   模式识别  

摘要： 温度调制技术具有提高半导体气体传感器选择性和稳定性的特点,但目前温度调制模式繁多,面临着调制模式优化选择的问题。本文在气体检测中使用温度调制技术对其进行优化研究。搭建了温度调制实验测试系统,该系统包括配气模块、温度调制模块、采集模块。配气模块可设置被测气体的浓度及混合气体的浓度。温度调制模块可以实现0～5V加热电压可调,可输出正弦波、方波、三角波和锯齿波四种加热波形,加热频率0～450KHz可调。采集模块通过数据采集卡采集传感器的电压响应值并通过显示屏实时显示。针对温度调制模式的测试和优化问题,选择了一种广谱的商用半导体气体传感器(TGS2611),以甲烷、一氧化碳、二氧化碳以及乙醇四种气体为测试对象,测试了该传感器在正弦波、方波、三角波和锯齿波四种调制波形,8种周期(T=4s、10s、20s、30s、40s、50s、60s、80s)以及四种不同加热电压(0～5V、1～5V、2～5V、3～5V)等参数下的动态响应特性。采用离散小波变换对上述气体的动态响应信号进行小波特征提取,再利用主元分析法对小波特征进行降维处理,结合支持向量机和概率神经网络技术对被测气体进行定量分析。通过比较分析识别结果,建立温度调制优化算法。通过对所得实验数据的分析与处理,结果表明TGS2611传感器在2～5V加热电压、方波调制、20s周期下对上述气体的识别率最高。该数据分析和实验结果证明,本文提出的以小波特征为基础结合概率神经网络和支持向量机的温度调制模式优化方法是有效的,可以为复杂环境下低功耗气体检测提供新的检测思路。

关键词： 开关柜   局部放电   TEV   特征提取   局部线性嵌入   模式识别   MPGA-MSVM  

摘要： 10kV开关柜作为配电系统中成套的电气设备,其安全稳定的运行是保证配电系统可靠供电的基础。局部放电(Partial Discharge,PD)一直以来都是导致开关柜内部设备绝缘劣化,影响开关柜安全平稳运行的主要原因。暂态地电压检测法(Transient Earth Voltage,TEV)是一种较为有效的开关柜局部放电在线检测方法,目前已经在检修运维工作中广泛应用。但现场应用只能定性分析危害程度,缺乏对局部放电进行定量、对TEV传感器的最优检测位置进行定位以及模式识别等有效有段,本文对此展开研究,主要成果如下:首先,根据实际开关柜绝缘缺陷设计并制作了尖板放电、沿面放电、气隙放电以及悬浮放电四种典型局部放电模型,并搭建实验平台,分别研究了在不同局部放电模型下的TEV传感器幅值与放电量的关系,结果显示均呈现一次函数关系。其次,根据开关柜的结构尺寸和材料参数精确建模,仿真分析了电磁波在开关柜中的传播特性,并得到其传播规律;针对开关柜内部四种典型放电,综合分析了开关柜表面不同检测位置TEV信号的波动性及距离的影响,确定TEV传感器的最优检测位置,并通过实验验证。结果表明,仿真结果与实验结果一致。再次,分别对典型局部放电模型提取统计特征、灰度图像矩特征、时域特征和频域特征等共计56维特征参数,通过神经网络验证了组合特征参数的识别率比单一特征参数的识别率高,但识别时间过长。对比PCA与局部线性嵌入降维算法(LLE),采用LLE降维算法对组合特征参数进行降维处理,并通过聚类识别验证了该降维算法的实际效果。最后,选择泛化能力强的多分类支持向量机(MSVM)作为模式识别算法,并采用多种群遗传算法(MPGA)对其进行参数优化。研究LLE降维算法不同参数对算法识别率的影响,确定最佳参数组合。并通过PCA与LLE降维算法的识别率对比,进一步验证该算法的可行性。通过与BP、MSVM、MRVM等分类算法对比,验证了 MPGA-MSVM算法的识别效果最佳。同时将典型模型训练的MPGA-MSVM算法用于识别实际开关柜故障,能够得到故障存在放电类型的几率占比,证明了经过LLE降维的MPGA-MSVM算法对开关柜局部放电模式识别具有可靠的识别精度,能够更好的完成识别任务。

关键词： 模式识别   教学内容   教学方式  

摘要： 模式识别是信息技术相关专业中一门重要的专业基础课,在专业能力的培养中发挥着重要作用。本文以作者的教学的经历并结合当前学生的特点,对当前普通高等院校本科生模式识别课程教学中存在的问题进行了总结分析并在教学内容和教学方式二个方面提出了改革意见和一些具体实施方案。