关键词： 腰部康复机器人   表面肌电信号   模式识别   运动控制  

摘要： 由于老龄化和偏瘫患者的增多,腰部功能障碍患者日益增多,现有的腰部康复手段有限,康复治疗师和有效的康复设备短缺,康复成本高、效果不明显等问题逐渐成为腰部康复的一个难题,为了有效地帮助腰部损伤患者恢复腰部运动能力,本文设计一种新型柔索驱动腰部康复机器人,能更加智能化地帮助患者康复训练。本文针对一种新型腰部康复机器人进行运动学及动力学分析,并根据患者腰部损伤的程度,分别制定了相对应的腰部康复训练策略。肌电信号能够很好的反映人体的肢体运动,采集患者腰部表面肌电信号用于主被动康复训练。由于肌电信号的微弱性、低频性及高阻抗性,设计调理电路对肌电信号滤波并对采集信号预处理,然后提取特征值用于腰部运动的模式识别,对向前、向后、向左、向右四种腰部运动进行分类识别,保证患者康复训练的安全性同时可提高患者的主动参与性。采用BP分类和SVM分类两种分类器,准确率达到94.7%。最后对腰部康复机器人上的多传感器信息进行融合,使用PID控制算法对机器人进行控制,将数值模拟结果和试验结果进行分析比较,得到的柔索长度和拉力的数据模拟结果与试验结果基本吻合,患者腰部的实际运动轨迹与训练轨迹基本吻合,误差在可控范围内,验证了基于肌电信号的腰部康复机器人的控制系统的可行性。

关键词： 模式识别   表情采集装置   DLBP-TE算法   对数-拉普拉斯域   BA-ELM算法  

摘要： 近些年随着科技的发展,模式识别和机器视觉领域得到越来越多的重视,面部表情识别正是其中一个重要的研究方向,特别在汽车安全驾驶监控、远程互动教学、游戏娱乐等领域有广阔的应用前景。但是目前面部表情识别存在识别速度慢、准确率低的缺点,不能满足识别快、准确率高的应用要求,因此提高识别率、缩短处理时间对面部表情识别有重要意义。本论文对面部表情识别过程进行了分析,选择基于局部二值模式(Local Binary Patterns,LBP)的改进形式进行表情图像特征提取,对表情分类则应用改进的极限学习机(Extreme Learning Machine,ELM),主要工作如下:首先,设计一种表情采集装置,该装置的优点是:可以灵活移动,减弱光照噪声对图像识别的影响;同时可以与计算机等外部设备进行实时联系,充分利用网络资源,具有一定的应用前景和商业价值。其次,将获取的表情图像,由时域转化为对数-拉普拉斯域中,在其中进行图像预处理,对图像光照明暗不均、阴影等缺陷进行修正,进一步优化面部图像;为了提高图像特征提取时的速度,采用双局部二值模式(Double Local Binary Patterns,DLBP),将图像划分为几部分,同时进行处理,处理速度从而可以达到倍数级的提升,这样可以满足实际应用的需要;进一步地为增强提取的特征有效性,将泰勒展开式(Taylor Expansion,TE)应用到图像处理中,DLBP算法通过泰勒展开式得到优化,融合为DLBP-TE算法,以此为基础提取更加有效的特征信息,利用文中实验,检验所应用方法的效果。再次,将生物启发算法-蝙蝠算法(Bat Algorithm,BA)应用于ELM特征分类,构建BA-ELM算法,利用蝙蝠算法优化ELM神经网络中隐含层节点预先分配、隐含层参数随机选择、非优化节点存在等缺陷,提高图像特征的分类效准确率。最后,利用图像数据对DLBP-TE特征提取算法和BA-ELM分类算法进行实验。实验表明,改进的DLBP-TE方法提高了处理速度、改善了特征质量;改进的BA-ELM分类算法提高了特征分类性能,整体说明改进后的算法有较强的鲁棒性。

关键词： 协议格式逆向   关联规则   层次聚类   网络协议识别   模式识别  

摘要： 网络协议是人们为了方便交流,使得网络内部有差异的成员之间能够彼此通讯,设备之间可以相互理解而制定的一种通信的规范。由于特定的需求,需要对协议的内容进行分析和提取。标准网络协议往往采用特定的格式,找到这些固定的特征可以帮助分析人员分析协议的类型以及格式,从而解析其中的内容。在战场环境下,敌我双方往往都采取了己方所拟定的非标准协议以保障己方的信息安全。为了分析这些专有的协议,基于固定特征的方法可能会因为这些协议的特殊性而失效。为了分析推理这类协议的结构,需要对这类协议的帧格式进行推断,而不同类型的数据帧具有不同的格式。因此在推断帧的格式之前,需要将捕捉到的不同类型的帧分离,找到一种普适的特征表示数据帧中关键字之间的关联关系,并以此作为分离这些数据帧的标准。本文对这几个重点环节进行了深入的分析,具体包括以下几个方面:首先,研究了数据帧中关键字关联关系的表示方法。将未知协议的频繁字段提取出来作为元素,挖掘它们之间的关联关系。针对网络协议的树形结构,提出了一种改进的专门针对类型和格式未知的比特流协议的关联规则挖掘方法。该方法结合了协议帧的位置信息,使得频繁提取的过程更为简洁和准确。该方法相比于传统的基于固定特征的方法,能够有效地适用于专有协议,其应用场景更为灵活;相比于其他使用频繁特征的方法,考虑了协议关键字的位置信息使得之后的聚类过程更准确。针对网络协议的体系结构提出构建了含有协议分层分类信息的关系树,发掘并提取出了频繁字串之间的关联关系,以便更深入地解析。其次,对各层通信协议的内容格式实现了进一步的分析。首先研究未知协议的帧分离方法,使得不同类型的帧分离为不同的簇。使用层次聚类算法,相比其他聚类算法更加适合于协议体系结构,从而获得更好的分离效果;采用杰卡德距离来衡量不同帧之间的相似度,使得帧之间的接近程度可以更加直观地表示,另外该距离度量计算简单而容易实现。采用一种基于字节之间信息熵的接近程度的帧字段的定界方法,它可以进一步解析某一类数据帧的结构,从而可以对未知的网络协议的帧结构进行更深层次的推断。最后,利用在校园网的内网环境中抓取的数据来完成仿真和测试,对提出的针对类型和格式未知的网络协议的关联规则挖掘算法进行验证。通过聚类方法将仿真数据中不同类型的帧进行分离,并进行了验证,还原出了互联网协议的协议体系;同时对某些协议的内容进行解析和推断,本文也检验了字段定界方法并证明了它的可行性。实验表明,本文提出的一系列方法可以对未知的网络协议进行解析,对我方军事情报人员的分析和逆向工作有很大的帮助。

关键词： 数据融合跟踪   自动编码器   雷达辐射源识别   生成对抗网络   雷达工作模式识别  

摘要： 随着“第五战场”——电磁战场的开辟,电子战在现代战场环境中的地位越发重要。为了能够更有目的性,更好地实施电子战,使用雷达对敌方目标进行有效的检测和跟踪是前期必不可少的工作,而且为了满足日益增长的作战需求,传统的单源数据跟踪已渐渐被效果更加优秀的多源数据融合跟踪所替代。此外,电子对抗作为电子战的主要组成部分,其中的电子侦察领域所涉及的辐射源识别等问题也是当前电子战的研究热点,而且对于我们后续作战中的精确干扰和防御起着至关重要的作用。因此本文以电子战为主体,对于电子战前的目标跟踪问题,我们研究了多源异构数据融合跟踪。对于作为电子战先导的电子侦察部分,针对一些具体场景条件,我们研究了雷达辐射源识别和雷达工作模式识别。首先,提出基于多尺度的单目标三源异构数据融合跟踪方法。针对在某些情况下能够获得的激光、红外和毫米波雷达这三源异构传感器的跟踪数据,基于多尺度思想,根据多种异构传感器的采样频率的差别建立多尺度模型,依次进行滤波、集中式和分布式的融合,完成对单目标的有效跟踪。其次,提出基于SSAE与LightGBM的雷达辐射源识别方法和基于CFSFDP的雷达工作模式识别方法。针对在电磁战场中可能获得的多种雷达辐射源对应的多种雷达工作模式脉冲信号进而构成的复杂未知雷达脉冲信号环境,首先使用提出的基于SSAE与LightGBM的特征提取和分类框架对雷达脉冲信号模糊调制特征提取深度特征并进行分类,很好地完成对雷达辐射源的初步识别。然后基于上一步对雷达辐射源的识别结果,使用改进的CFSFDP算法对同种雷达辐射源的不同雷达工作模式进行二次聚类划分,达到对雷达工作模式的有效识别。最后,提出基于GANs的雷达工作模式样本数据增强方法和基于神经网络模糊决策融合的雷达工作模式识别方法。在对雷达脉冲组序列进行建模的基础上,首先针对在电磁战场中可能获得的样本不平衡的雷达工作模式样本数据,采用GANs对不平衡样本数据进行增强。然后针对复杂电磁环境中环境噪声误差引起的参数交叠问题,提出MRNN-FDF识别框架,其综合考虑雷达脉冲组序列的整体和时序特性,利用MLP和RNN进行识别,再对决策结果进行模糊化并使用D-S证据理论进行融合从而给出最终决策,完成对雷达工作模式的有效识别。

关键词： 脑损伤   表面肌电   模式识别   鲁棒性   主动康复  

摘要： 准确识别脑损伤患者运动意图可以激发患者主动参与康复锻炼的积极性,有望促进脑功能重塑,提高康复训练效果。目前,许多研究提出利用模式识别技术来识别患者的多种精细运动意图,结果证明了模式识别方法在离线分析中的可行性。但是多类动作的离线识别性能难以直观体现模式识别系统的实时性能。并且脑损伤患者众多,一个稳定的实时评估方法来监测病理进程阶段和评估干预后的治疗效果是至关重要的。因此,针对以上问题,本课题开展了基于肌电信号的脑损伤患者手部动作实时评估方法研究,有效地将脑损伤患者的运动意图识别与实时评估结合在一起,并进行了探讨。首先,本课题开发了基于虚拟现实的康复训练系统。该系统主要分为五个模块,分别包括:患者的信息录入、实验参数设置、离线数据采集、分类器建立和实时视频游戏功能。其次,选取四名脑损伤患者采集上臂48通道的表面肌电信号,分别利用传统线性判别、Fisher线性判别、改进线性判别和支持向量机四种模式识别算法对患者手部18种精细动作进行运动意图识别。并对四种算法的运算速度与动作模式识别结果进行比较,找到一种识别精度高,运算速度快的运动意图方法。然后,基于虚拟现实的康复训练系统对患者的多种精细动作进行实时游戏动作识别,并提出了反应时间、完成时间、实时整体动作完成率、动态效率和个人完成率五个实时性能指标进行评估,目的是为肢体控制能力提供了一种客观的量化指标,是临床康复量表的有益补充。并且实时的主动训练,能够带动患者的主观能动性。针对各种功能障碍的脑损伤患者,该方法为临床治疗提供一种可行性方法。最后,由于脑损伤患者的手部肌肉痉挛,在执行动作时并不能恒力进行。一般来说,大多数肌电模式识别的研究都是基于恒力条件下进行的。若将其直接推广到肌肉收缩力变化的情况下时,算法容易失去鲁棒性。本课题采用了三种肌电模式识别抗力鲁棒性的研究方法,最终发现提出四个与肌电信号幅值无关的频谱域特征进行分类更有显著的优势。

关键词： Surge arrester   harmonics analysis   leakage current   adaptive network based fuzzy inference system   bees algorithm  

摘要： Surge arresters are essential equipment for power system protection against transient overvoltages. Therefore, their operating condition and fault diagnosis are very important. Leakage current analysis is a conventional method of surge arrester condition monitoring. In this paper, the impacts of disruptive factors on harmonic components of surge arrester current have been evaluated experimentally. Experimental tests have been done on different surge arresters to investigate disruptive factors effects on surge arresters leakage current. To show the ability of introduced indicators, obtained dataset was applied to fuzzy network for recognition task and classification. In order to increase the accuracy of proposed system, the optimum vector of radius has been found using the optimization algorithm. Bees algorithm, genetic algorithm, imperialist competitive algorithm and particle swarm optimization have been applied to evolve adaptive network based fuzzy inference system. Also the performance of adaptive network based fuzzy inference system has been compared with other classifiers to investigate the capability of the proposed classifier. Results show that the success rates of Bees-ANFIS is higher than the performance of other systems.

关键词： 柴油机   故障诊断   模式识别   变分模态分解   核模糊C-均值聚类  

摘要： 柴油机作为目前广泛应用的常规动力源之一,在工业、农业、交通运输以及国防等领域发挥着重要的作用。由于柴油机结构复杂、零部件较多且缸内爆发压力相对较高,并且经常处于恶劣的环境下运行,柴油机发生故障的概率较大。柴油机一旦发生故障可能造成非常严重的后果甚至导致事故的发生。因此,开展柴油机故障诊断方法的研究以提高柴油机故障诊断的正确率对于完善复杂机构不解体故障诊断的理论体系和提高柴油机可靠性具有十分重要的理论研究与工程应用价值。柴油机的振动信号中包含着丰富的柴油机工作状态信息,且振动测试方法简单、技术成熟,因此基于振动信号分析的故障诊断方法研究得到众多学者的青睐。此类研究需要解决两个关键问题,一是从复杂的振动信号中提取故障特征信息,二是利用故障特征信息进行故障模式识别。论文研究搭建了柴油机试验台架,设置了不同程度的气门间隙异常、供油量不足、共轨压力异常和喷油提前角异常等典型的柴油机故障状态,用以验证论文所开展的研究方法对不同故障的诊断正确率。柴油机振动信号是一种复杂的宽频信号,直接从中提取故障源信号及其特征信息难度很大,需要研究合适的算法对信号进行分析。通过对现有算法的研究对比,论文选用了变分模态分解(Variational Mode Decomposition,VMD)作为振动信号的前置分解算法。该算法相较于传统的递归分解算法鲁棒性更好,然而该算法中的部分参数需要人为选取且无公认的选择标准。为此,论文对VMD算法的分解层数K以及二次惩罚因子两个关键参数进行了优化。首先使用相关系数作为筛选有效分量的条件提出了一种自适应的K值选取方法,经过模拟信号以及试验信号的验证,该方法能对不同信号进行自适应分解,得到相关度较高的窄带信号。然后,根据观察大量信号分解结果的参数变化规律给出了合适的值选取范围。选择合适的故障特征参数与恰当的故障模式识别方法以使不同类型故障具有显著区分度是提高故障诊断正确率的关键。论文采用计算效率和准确率较高的核模糊C-均值聚类算法(Kernel Fuzzy C-means Clustering,KFCM)作为柴油机故障的模式识别算法。之后,对VMD的分解结果进行特征参数的提取,将特征参数组输入KFCM算法之中进行故障分类诊断。论文使用了多种不同的特征参数进行故障分类诊断,发现使用最大奇异值参数时诊断正确率最高。诊断结果表明对于气门间隙异常、供油量不足、喷油共轨压力异常以及喷油提前角异常四种故障,优化VMD-KFCM联合方法分别能达到98.7%、98.6%、96%、93.3%的诊断正确率,对于多类故障同时诊断的正确率为94%。在故障诊断正确率方面,优化VMD-KFCM联合算法明显优于EMD-KFCM和原始VMD-KFCM算法。研究结果证明论文提出的优化VMD-KFCM联合算法对于柴油机典型故障诊断技术开发具有一定的指导意义。

关键词： 脑电信号   运动想象   模式识别   脑功能网络   格兰杰因果关系   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： 机器学习   行为识别   卷积神经网络   支持向量机   Android  

摘要： 随着微电子信息系统技术的日益成熟,不同传感器可被微型化于各种可穿戴式设备,以及各种便携式智能设备中。通过对这些设备内置传感器的数据进行挖掘,能够对用户的行为进行分析,为研究基于智能手机平台的人体行为识别算法提供了基础,从而开发诸如病人康复训练、运动员姿势矫正以及日常人体行为监控等个性化与智能服务,具有广阔的市场前景和经济效益。常见的人体行为识别算法均基于机器学习算法技术进一步开发得出,此技术衍生算法可解决行为识别领域中因个体运动速率、运动体态等运动模式、及个体身高体重等差异导致的识别率低下问题。本文提出一种具备机器学习能力的人体行为识别卷积神经网络CNN算法,可以实现六种人体日常行为,包括走路、慢跑、坐着、站着、上楼和下楼等动作的分类识别。算法涉及关键环节包括人体行为识别数据集的获取、数据集的预处理、神经网络模型的训练生成与性能测试,以及模型结构和相关参数的优化等内容。算法性能评估方面,本文使用LIBSVM平台搭建了基于支持向量机SVM算法的行为识别系统,通过运行WISDM标准分类器数据集分别得出CNN、SVM两种算法系统的识别率性能。结果显示,基于CNN算法设计的识别系统准确率可达90%以上,明显优于准确率约为80%的主流SVM算法识别系统。为验证和运用论文算法成果,作者基于Android智能手机平台编写了一款行为识别APP应用程序,能够实时跟踪、记录和分析手机携带者的日常行为活动,并利用行为识别结果提供久坐提醒、运动量统计健康辅助管理功能。在为期两个月的志愿者实际运行测试中,本文CNN算法针对前述六种日常行为动作的识别率统计结果为88.65%,表现出良好的实际应用价值。论文相关内容已申请算法专利、著作权等知识产权成果。

关键词： 心率检测   非接触   信号提取   信号处理   模式识别   低秩稀疏分解   信号分解   低光照度  

摘要： 心率是一项极其重要的生理检查参数。在医学诊断、刑侦检测、基于人脸活体的反欺骗检测,以及物联网(IoT)、大数据和机器学习等方面有及其广泛的理论与应用空间价值。基于摄像头非接触式心率的检测一方面依赖于信号分离,尤其从采集到含有不完整信息的信号中分离出心率信号,实现心率的检测依赖于更为复杂的信号处理理论,从而推动理论的发展与完备;另一方面从图像中解析出可供计算机理解的信息,实现精确的面部、特定ROI区域的定位,以及分析与心率信号相关联的特征模式需要借助于模式识别与机器学习的理论技术;再者通过进一步的研究与改进,将更加有利于基于摄像头非接触式心率检测技术在实际场景中更为广泛的应用,提升该技术的实际价值。在实验室特殊的环境中,基于摄像头非接触式心率的检测方法已取得较为理想的测试结果,然而在实际应用中由于噪声干扰,待测区域的实时检测、识别与追踪,环境光线强度的变化,都会严重影响测量结果的准确性。本文在参考现有研究的基础上,针对噪声去除、低光照与变化的光照环境的信号提取分别提出了解决方案。本文分析了现有的非接触式心率信号提取方法对自然状态下鲁棒性不足的原因,并在此基础上提出一种基于低秩稀疏分解模型的提取方法。在去除阴影、噪声后得到较为理想的信号,进而评估心率值。为了检测该方法的测试效果,本文采集部分数据集,同时也使用了部分现有数据集作为实验测试数据。对于实验数据,通过使用统计学方法与更为科学的描述方案结果一致性分析的BlandAltman图,对实验效果进行评估,发现该模型现有模型中取得最佳的实验结果。本文还介绍了一种实现低光照度环境中非接触式心率信号提取的方法——LiPPG,该方法基于时域空间中的信号展开,可用于线性时变系统中,解决基于摄像头非接触式心率信号提取中在低光照度环境中以及光照强度可能的变动情况效果较差的情况。通过设置对比实验,使用基于LiPPG方法的心率检测与其他方法的信号检测相比较,实验结果显示出该方案在低光照环境中、光照变化的环境中更具优势。