关键词： 中药   产地识别   多维主成分分析   N维偏最小二乘辨别分析   自加权交替三线性分解  

摘要： 中药质量受多种因素影响,其中一个比较重要的因素就是产地,因此对中药产地进行识别就显得很有必要。首先在绪论部分介绍了中药产地识别的意义、方法及研究现状,目前中药识别研究大都基于二维数据层面,而三维数据包含更多的样品信息,可以在识别时提供更多的信息作为参考,得到的结果将更加准确,因此本文将基于三维荧光光谱技术结合多维模式识别方法对中药进行产地识别研究。选取葛根、白及、西洋参三种中药作为研究对象,结合多种多维模式识别方法来对其进行产地分类识别研究,具体内容如下:在第二章中,采集不同产地纯葛根的三维荧光光谱数据、五个不同掺假比例的掺假葛根的三维荧光数据,多维主成分分析(M-PCA)及N维偏最小二乘辨别分析(N-PLS-DA)两种多维模式识别方法分别对其数据进行分析处理。结果显示,M-PCA和N-PLS-DA对不同产地纯葛根进行分类识别都有较高的准确识别率。在对掺假葛根进行分类识别时,N-PLS-DA的结果要优于M-PCA结果。在第三章中,采集不同产地白及的三维荧光光谱数据,首先使用自加权交替三线性分解(SWATLD)对数据集进行解析,得到白及中四种组分的光谱及组分相对浓度,这些组分信息可以用来对白及进行产地识别及质量控制。此外,应用M-PCA、N-PLS-DA、展开偏最小二乘辨别分析(U-PLS-DA)、自加权交替三线性分解结合偏最小二乘辨别分析(SWATLD-PLS-DA)四种分类识别方法分别对白及产地进行识别研究。结果显示,N-PLSDA总的准确识别率98.9%,U-PLS-DA和SWATLD-PLS-DA总的准确识别率为100%。在第四章中,采集不同产地西洋参的三维荧光光谱数据,然后使用M-PCA及N-PLSDA对西洋参三维荧光数据进行分析处理。结果显示,M-PCA可以发现不同产地的西洋参有各自的聚类趋势,但是整体分类效果不理想。N-PLS-DA的分类识别效果较好,在训练集中各个产地西洋参准确识别率都达到了100%,在预测集中各个产地西洋参准确识别率也达到了98%,总体准确识别率达99%。以上内容表明三维荧光光谱结合多维模式识别方法对中药产地及掺假进行识别研究及质量评价是一种可行的手段,而且简单快捷、绿色环保。

关键词： 脑电信号   特征提取   纹理特征   通道注意力模型   卷积循环网络  

摘要： 脑电信号常被用于脑机接口研究、人类情感识别、疲劳驾驶、癫痫、睡眠质量监控等。然而解决这些问题的关键是对脑电信号进行快速有效的特征提取和分类,从而提高脑电信号在这些问题上的识别准确率。为了提高脑电信号识别准确率,本文在脑电信号识别方面所作的工作和创新研究如下:第一,在脑电信号特征提取算法方面,基于脑电信号的直方图和幅度共生矩阵提出了脑电信号的纹理特征提取算法,并在BCI challenge hosted on Kaggle给出的数据集上进行实验。实验结果表明在该比赛第一名方案的基础上加入本文设计的脑电信号纹理特征,使该任务的识别准确率由87.56%提高到了 89.54%,证明了本文提出的脑电信号纹理特征提取算法对脑电信号识别任务是有效的。第二,提出并设计了通道注意力模块,并接于卷积神经网络(CNN)的输入层后,使其自动学习不同通道的脑电信号对于识别任务的贡献程度。同时在此基础上本文又将残差单元和通道注意力模型结合起来,提出了对脑电信号识别非常有效的卷积神经网络结构。最后本文在斯坦福研究项目的EEG数据集进行实验,实验结果表明,本文提出的模型将该任务的识别准确率由ResNet13的82.58%提高到了 85.68%。第三,针对卷积神经网络处理脑电信号无法充分利用脑电信号时间序列信息的问题,提出并设计了卷积循环神经网络架构。该网络将卷积神经网络提取的脑电信号特征送入循环神经网络,充分利用脑电信号的时间序列信息。同时基于循环神经网络每个时刻输出的特征向量,本文设计了注意力集中模型,让模型自动学习循环神经网络每个时刻输出的特征向量对于分类任务的贡献程度。最后为了验证该方法是否有效,本文同样在斯坦福研究项目的EEG数据集上进行了实验,实验结果表明,该算法在第二个创新点的基础上将识别准确率提高到了91.05%。

关键词： 图像语义分割   模式识别   深度学习   全卷积神经网络   残差网络   条件随机场  

摘要： 交通图像分割是指识别并分割出当前交通图像中车辆、行人、路面等各种参与对象,是智能驾驶和智能交通系统的重要组成部分。实时准确的交通图像分割,有助于改善交通安全、提高行车效率。传统的交通图像分割方法难以综合满足实时性和准确性需求,而基于深度卷积神经网络的分割方法往往具有强大的特征表征能力和良好的应用潜能。因此,开展基于深度卷积神经网络的交通图像分割方法研究具有重大理论和现实意义。本文设计并实现了一种基于深度残差全卷积神经网络的交通图像分割方法,并实验验证了方法的有效性。首先,开展了交通图像分割数据集和图像预处理方法研究;然后,设计了一种深度残差全卷积神经网络模型,该模型综合了深度残差网络特征表征能力强、空洞卷积能够扩增感受野和全卷积神经网络能够实现像素级的分割等优势。最后,针对基准数据集和自定义数据集获得97.03%和85.99%的MIOU(Mean Intersection Over Union)以及0.065s和0.370s每幅图像的平均分割速度。结果表明,相对于常规的全卷积神经网络,本文方法的分割准确率和实时性得到了改进。本文的工作主要有以下两个方面:1.开展了数据集和图像预处理方法研究。首先,给出了一个基准的交通图像分割数据集,并自行采集和标注了一个国内交通图像数据集。与基准数据集相比,后者更多地体现国内城市和高速路交通场景。然后,针对图像预处理环节,采用限制对比度自适应直方图均衡化、图像金字塔和图像裁剪等方法改善图像质量和多样性。2.开展了深度学习模型和有关功能模块的适用性研究,详细阐述了卷积神经网络、全卷积神经网络、深度残差网络等深度神经网络模型,和条件随机场、空洞卷积等功能模块在交通图像分割中的适用性。首先,提出了一种基于全卷积神经网络和条件随机场的分割模型,精度高但实时性不足;最终,设计并实现了一种基于深度残差全卷积神经网络的分割模型,精度和实时性均得到一定程度的改进。

关键词： 机器学习   模式识别   特征提取   非小细胞肺癌   特征基因  

摘要： 当今科技日新月异,现代测量技术和计算机技术的发展,以及网络的普及化、日常化,各行各业都可获得大量的数据信息。在生物领域随着人类基因组计划的完成和一系列高通量生物技术的发展,越来越多的全基因组数据(如甲基化、拷贝数变异、突变、表达量)向研究者免费开放。近年来,机器学习算法在癌症的相关研究中得到了广泛应用,特征基因的识别成为癌症相关研究的重点。在全球范围内,肺癌是最普遍的癌症类型,致死率常年居于高位。肺腺癌(LUAD)和肺鳞状细胞癌(LUSC)是非小细胞肺癌的两种主要亚型,病人的临床表现和预后响应通常截然不同,肺腺癌和肺鳞状细胞癌的准确分类是对病人有效管理和组化疗法正确选择的前提。在肺癌的所有致病因素中,吸烟是头号风险因子。90%的肺鳞状细胞癌患者均具有吸烟史,相比而言肺腺癌与病人吸烟状况的关系尚不明确,仍有相当数量的不吸烟者患有肺腺癌。分析烟草吸入量与肺腺癌患者的关系,研究如何合理界定吸烟对肺腺癌病人的危害,并通过分析整合吸烟和非吸烟患者的核苷酸突变信息识别与烟草相关的特征基因,是进一步深入解析肺腺癌肿瘤发生发展致病机理的理论基础。为此本文利用机器学习肺癌的基因组学数据进行模式分类。首先从全基因组角度分析肺腺癌与肺鳞癌拷贝数变异模式的异同,集成弹性网络、偏最小二乘算法和朴素贝叶斯算法对全基因组拷贝数进行模式识别,获得包含33个特征基因的分类器,该分类器能够有效的将肺腺癌样本和肺鳞状细胞癌样本识别分离。其次从全外显子角度对肺腺癌吸烟和不吸烟患者的突变信息进行提取分析,基于Z-curve理论创造性的将基因突变频率和序列信息(包括基因片段缺失和插入)提取整合为一个新特征即TTZ-feature,克服当前对突变信息的提取局限于突变频率和突变负荷的现状,通过偏最小二乘算法进行变量筛选和分类建模获得了34个特征基因,构建的34-特征基因分类器的预测得分能够准确反映肺腺癌患者的吸烟程度,而且提出的突变提取方式为相关研究提供了新的数学工具。

关键词： 身体平衡能力   空间位置信息   腕部姿态信息   人体运动模式识别   运动传感器  

摘要： 人体运动模式识别是人体意图判断、健康监控、人机交互等多个领域的研究基础,分析传感器记录运动产生的空间位置信息或姿态信息是主要的研究手段。中国人口老龄化问题越来越突出,跌倒是威胁老年人健康最危险的意外事故之一。行走状态的平衡与跌倒有极大关系,目前对老人身体平衡能力的研究集中于身体素质的粗略评估或人体关键部位加速度信息的瞬时变化,难以准确对平衡能力进行评判,缺乏一种基于关键身体部位空间位置信息对人体平衡能力识别的方法与手段。此外,以智能手环和智能手表为主的智能可穿戴设备不断推陈出新。人与智能可穿戴设备使用黏性不断提高,利用其内置的加速度、陀螺仪等传感器进行运动模式识别变成了一个不可逆转的趋势。智能可穿戴设备成本较低,佩戴方便,易拾取运动过程(包括坐,躺过程中)中频繁变化的姿态特征。目前相关研究主要存在拾取特征点多、计算周期较长、识别率待提高等不足。因此本文着力研究基于空间位置信息对老年人行走平衡能力的识别和基于腕部姿态信息对人体运动模式的识别,主要完成以下工作:基于人体42个关键部位的空间位置信息,对66名老年人3秒的行走模式进行分析,初步提取25个用于衡量人体平衡能力的特征。随后,研究25个特征与老年人平衡能力之间的关系,结果表明其中重心相对冠状面偏移量,重心相对矢状面偏移量,胯部、肩部、臂部等在矢状面内偏移程度等13个特征可以用作衡量老年人身体平衡能力的指标。最后对13个平衡指标进行降维处理至三维,并对其进行聚类分析,用于区别平衡能力较好和平衡能力较差的老年人,结果表明降维后的平衡指标和聚类方法可以明显区分两类人群。对66名老年人常见的5种疾病与平衡能力的关系进行研究,采用贝叶斯网络模型进行建模和分析,结果表明患有缺氧症、脑血管疾病、骨质疏松等疾病的老年人平衡能力出现异常的概率较正常老年人会有显著增高。开发数据采集APP,利用安卓可穿戴设备内置的运动传感器采集人体腕部姿态信息,对人体行走、跑步、站立、下楼4个过程进行分析,提取信号均值、峰值、方差和协方差等特征值,进行分类和识别时采用支持向量机算法。之后为提高识别准确率,利用网格搜索法、遗传算法、粒子群优化算法分别对参数C、g进行优化。结果表明,该方法可以有效地识别实验者静止,走路,跑步和下楼的四个动作。本论文的研究内容可以为老年人身体平衡能力测定提供参考依据,对判断人体意图、健康监控、人机交互等提供基础参考,并为进一步跌倒风险评估提供研究基础。

关键词： 流形学习   降维   人脸识别   语音识别   模式识别  

摘要： 流形学习(Manifold Learning,ML)是模式识别的手段之一,在图像处理、人工智能、自然语言处理等方面有着广阔的发展前景和应用价值.机器学习中的大多真实数据之间一般都具有非线性特征,我们可以通过流形学习方法对数据进行降维和局部特征提取来实现数据可视化或数据约简.流形学习旨在将高维空间数据样本低维嵌入到流形子空间,并保留原样本集的几何流形结构,最终找到数据样本内部的流形规律.降维是流形思想最重要的技术体现,人们对基于流形学习的降维算法已经取得了一些研究成果,如拉普拉斯特征映射(Laplacian Eigenmap,LE),局部线性嵌入(Locally Linear Embedding,LLE)、等距映射(Isometric mapping,Isomap)和邻域保持嵌入(Neighborhood Preserving Embedding,NPE)等降维算法.在模式识别技术中,基于流形学习的降维算法已经被广泛应用到人脸识别和语音识别技术.人脸图像和语音数据具有空间维数高、稀疏性强、分布不均匀等特征.为了有效的提高人脸识别的识别性能,我们基于流形学习的思想,研究了相关降维技术,提出了一种改进的邻域保持嵌入算法.该算法强调了数据内部的判别信息,通过极大化类间离散度和极小化类内离散度使降维后的数据样本具有最佳的分离效果,进而有效地挖掘、提取及保留了数据样本的局部流形的拓扑结构.同时我们研究了极端学习机的分类技术方法,对不同算法进行分类实验。实验结果证明所提出算法相较于传统算法有较高的识别性能和分类精度。

关键词： NB-QC-LDPC   编码调制   FHT-BP译码算法   深度学习   调制模式识别  

摘要： 信道编码和调制在数字通信系统中是两个重要的组成部分。信道编码通过增加冗余实现检错和纠错,提高系统的可靠性。采用不同的调制方式,可以获得系统的功率有效性、频带有效性和可靠性的折中。由稀疏校验矩阵定义的 LDPC(Low Density Parity Check codes,LDPC)码的纠错性能可以逼近香农限。相对于二进制LDPC码,多进制(Non-binary,NB)LDPC码具有更强的抗突发错误能力和更高的传输速率。另外,在通信系统中,为正确解调恢复信源信息,接收机必须预知发射机的调制模式。而在非协作通信或智能通信系统中,接收机需要根据信道接收的信号识别调制模式。随着深度学习研究的深入,利用深度学习方法的信号调制模式识别也以其高效率、高识别准确率等优点引起了广泛的关注。因此,论文从构造多进制准循环(Quasi-cyclic,QC)LDPC码的校验矩阵入手,研究了NB-LDPC码编译码算法的实现。同时,基于深度学习,建立深度卷积神经网络模型,研究了基于星座图的调制模式识别算法,并进行仿真分析。论文的主要工作包括:(1)基于有限域构造出一种多进制QC-LDPC码校验矩阵,深入研究NB-LDPC码的编译码算法。利用IEEE802.16e标准中的基本矩阵,根据码长码率拓展得到二进制准循环校验矩阵,构造一个阶数与多进制QC-LDPC码进制数相同的有限域。进一步,将校验矩阵内非零元素随机替换为有限域中的非零元素,得到多进制准循环校验矩阵。构造的校验矩阵具有准循环和准双对角线的特性,可直接利用校验矩阵对信息序列进行编码。避免校验矩阵向生成矩阵转换过程中的复杂计算,更利于实现快速编码。(2)针对多进制LDPC码的编码调制方式,研究了当码的进制数与调制的阶数不同时比特与符号之间的转换规则,给出相应的译码初始化消息的计算方法。深入研究基于快速哈达玛变换(Fast Hadamard Transformation,FHT)的置信传播(Belief Propagation,BP)译码算法,给出不同阶数哈达玛矩阵的拓展方法。将快速哈达玛变换引入BP译码的校验节点的更新过程中,降低运算量,提高译码速度。同时,在软件实现译码器时,优化存储结构,仅存储矩阵中的非零元素值及其所在位置信息,减少内存开销。(3)构建一种深度卷积神经网络模型,研究基于深度学习的调制模式识别方法。神经网络模型共包含12层,给出了各层的具体参数值。进一步,利用接收信号在星座图不同区域的聚集程度,对黑白色的星座图进行着色处理。实验结果表明,彩色化的星座图像具有更明显的区分特征,识别准确率也更高。在SNR=5dB时,对BPSK、QPSK、16QAM、32QAM、64QAM五种调制方式的识别率均在92%以上。

关键词： 结构健康监测   应力波   复合材料   疲劳损伤   小波变换   半解析有限元方法   模式识别  

摘要： 复合材料因具有比强度高、比刚度大等优点,而在航空航天领域得到日益广泛的应用。但复合材料结构在长期交变载荷作用下,不可避免地会产生疲劳损伤,这些疲劳损伤和结构中既有的缺陷以及损伤在疲劳载荷作用下会不断扩展直至引起结构失效,给结构安全带来重大威胁。因此,应用结构健康监测系统对复合材料结构在疲劳载荷作用下的损伤状态进行实时在线监测,对进一步评估疲劳损伤状况,及时对损伤结构进行维护,提高结构使用安全性具有重要意义。本文首先对应力波在复合材料结构中的传播问题展开研究,利用半解析有限元方法建立应力波在各向异性复合材料层合板结构中的弥散关系,并通过算例模拟疲劳损伤产生时的群速度变化,为利用应力波对疲劳载荷作用下的损伤监测提供依据;然后对应力波信号的处理进行研究,采用小波变换对由压电传感元件激励和接收的应力波信号在时频域内进行分析,提取与疲劳损伤相关的特征信息以及测量出应力波在结构中实际传播的速度用于表征疲劳损伤的产生与发展,并通过模式识别方法引入偏值分析和最小二乘支持向量机,融合提取的多个与疲劳损伤有关的信号特征,确定复合材料试件中是否存在疲劳损伤以及疲劳损伤发生的程度;最后,采用应力波对复合材料结构在疲劳载荷作用下的损伤监测进行了实验研究,分别考虑玻璃纤维层合板拉伸疲劳情况和低速冲击后碳纤维层合板压缩疲劳情况,并通过模式识别方法对判断疲劳损伤的发生和扩展等情况进行了分析,实验结果验证了基于应力波的方法在疲劳载荷作用下对复合材料结构进行损伤监测的可行性和有效性。

关键词： 分布式光纤传感   相位敏感光时域反射计(Φ-OTDR)   模式识别   概率神经网络   平均影响因子   主成分分析  

摘要： 分布式光纤传感系统具有无需外场供电、抗电磁干扰能力强、探测灵敏度高、监测范围广、便于集成等优势,已经成为了传感器领域的研究热点之一。目前,分布式光纤传感系统己广泛应用于油气管道状态检测、大型结构探伤、国土安全监控等诸多领域。在众多类型的分布式光纤传感技术中,基于相位敏感光时域反射器(Φ-OTDR)的传感系统凭借着其空间分辨率高、系统结构简单、可同时定位多个扰动事件等优点,成为当前长距离分布式光纤传感系统研究的主流方向之一。本文针对Φ-OTDR分布式光纤传感系统在实际应用中遇到的误报率较高、对于扰动事件是否有害判别不清的问题,提出了基于概率神经网络(PNN)模型分类器的扰动事件模式识别方法,有效实现了对不同类型的扰动事件的区分。本文主要完成的研究工作如下:(1)在理论研究Φ-OTDR分布式光纤传感系统的原理及其系统的输出信号特征的基础上,构建了基于Φ-OTDR分布式光纤传感实验平台,实验采集浇水、攀爬、敲击与碾压四类扰动信号以及无扰动时的输出信号,研究了时域信号及时域差分信号相应的特征值的提取并将扰动信号划分为测试样本,为后续扰动信号模式识别研究奠定了基础。(2)提出了基于概率神经网络模型的扰动事件模式识别方法,并通过样本数据加以实验验证。实验结果表明该方法对于五种事件类型(浇水、攀爬、敲击、碾压与无扰动)的平均识别正确率达到了 97.57%、95.68%、99.92%、99.08%、99.97%,该方法可以有效区分不同扰动事件,但实时性较低。网络模型的建立与识别的平均时间为1.1369秒。(3)根据概率神经网络模型的工作流程,为了实现在保证识别准确性的前提下改善算法的实时性,提出了通过使用平均影响因子的改进方案与通过使用主成分分析方法的改进方案,并通过仿真实验对两种方案加以验证。两种方案的对五种情况的平均识别正确率分别达到了 93.36%、92.48%、97.01%、96.99%、99.60%和96.80%、94.13%、99.36%、98.45%、99.95%,两种改进方案的识别时间分别为 0.8745秒和0.9308秒,较原始模型有所提高。(4)根据现有样本数据探索一种“删减-放回”的样本库构建方法,并利用这种方法建立起两种改进模型样本占总样本比重为70%、60%、50%、40%的样本库,并加以实验验证分析。试验结果表明在现有数据基础上,在使用占比为50%以上的样本库进行识别工作仍可以得到90%以上的正确率。

关键词： 计划潮流   断面估计   状态估计   不平衡功率   安全校核  

摘要： 安全校核是对调度计划和调度操作进行全面的安全稳定校核的一类应用,对电网的安全与经济运行具有重要的意义。安全校核分析计算的基础是计划潮流的自动生成技术。计划潮流的生成技术应具有收敛性好、计算效率高、准确性高的特征。本文围绕安全校核计划潮流的生成技术进行研究,提出了一种电网运行断面估计算法,主要工作如下:提出了基于模式识别的相似断面搜索算法。计划潮流的生成计算过程需先对计划数据的缺失进行补充,借鉴相似日的概念,基于模式识别的方法在历史断面中搜索待校核断面的相似断面,以相似断面的部分潮流数据作为待校核断面计划数据的补充,以满足电网运行断面估计算法的数据需求。提出了基于状态估计的计划潮流生成算法。针对传统的基于潮流计算的计划潮流生成方法中普遍存在的收敛性能差、计算效率低的问题,本文采用状态估计算法进行计划潮流计算。借鉴信息学中的相关熵概念,采用基于最大相关熵准则的状态估计算法,进行待校核断面的计划潮流计算,获得满足输电断面功率约束和各类计划数据的平衡潮流。由于状态估计算法应用了冗余的量测值,且算法不需进行分步潮流调整,因此算法的收敛性好、计算效率较高。提出了基于机器学习的不平衡功率调整算法。计划潮流计算值与待校核断面的真实潮流之间存在不平衡功率,传统的不平衡功率分配方法为由指定机组承担,通过调整发电计划平衡区域潮流。本文提出基于单隐层神经网络模型和极限学习机学习算法的不平衡功率调整算法,通过对历史计划潮流计算结果进行事后分析,获得区域化的、精确化的不平衡功率分配特征,并修正状态估计算法的量测值,以提高计划潮流计算的准确性。设计了IEEE9节点算例和东北电网实际算例,对本文提出算法进行有效性验证。通过不同的历史断面潮流数据构造方法和不同的相似断面的匹配方式,在不同的算例中分别验证相似断面搜索、计划潮流生成和不平衡功率调整三大模块的功能,证明了本文提出算法的精确性较高,并论证了算法在收敛性和计算效率方面的优势。