简介:摘要多重信号分类(MultipleSignalClassification,MUSIC)算法是一种估计脉冲到达时间的算法。架空线路局部放电定位时接收到的局部放电信号通常含有大量噪声,为了准确估计放电信号的到达时间以提定位结果的准确性,对MUSIC算法进行了研究。并利用MATLAB软件对MUSIC算法进行仿真,分别在不同脉冲形状、是否染噪以及染噪程度等情况下对MUSIC算法的稳定性与准确性进行分析。最后针对MUSIC算法在架空线路局部放电定位中的应用进行了实验,通过架空线路局部放电定位所测数值和实际数值进行对比,验证了MUSIC算法的稳定性和准确性。
简介:摘要:本文针对无线通信领域中的信号识别和分类问题,提出了一种基于深度学习的新方法。我们使用了卷积神经网络(CNN)和长短时记忆网络(LSTM)等深度学习模型,对无线信号数据进行特征提取和分类。通过在大规模真实数据集上进行实验评估,我们验证了所提方法的有效性和准确性。与传统方法相比,基于深度学习的方法在识别和分类性能上取得了显著的改进。此外,我们还探索了数据增强技术在提高模型鲁棒性方面的应用。实验结果表明,采用数据增强技术可以进一步提升模型的泛化能力和适应性。该研究对于无线通信系统中信号识别和分类的自动化和智能化具有重要意义,有助于提高通信系统的性能和效率。
简介:摘要目的研究一种用于inter-patient范式下对心律失常心电(ECG)信号进行分类的分类器,提高自动分类的准确度,解决心律失常人工诊断的局限性。方法构建包括预处理、特征提取、支持向量机(SVM)训练和集成分类4个模块的SVM+XGBoost集成分类器。具体步骤为:对ECG信号进行预处理,将R-R间期、高阶统计量、局部二值模式、小波分量作为特征,分别训练独立SVM分类器;使用XGBoost算法对各独立SVM分类器进行集成,输出心律失常分类结果;在MIT-BIH数据库上对集成分类器进行训练和测试。结果集成分类器对心律失常的总体分类准确度为0.867、平均灵敏度为0.782。结论所提出的集成分类器能实现inter-patient范式下心律失常ECG信号的自动、准确分类,可用于临床辅助诊断。
简介:单次脑电分类实验中,采用基于logistic回归的正则化方法来提高分类准确率.首先,提出一种新算法——局部保持投影稀疏logistic回归,将局部保持投影正则项加入到稀疏logistic回归中.该算法旨在保留原始特征空间邻域信息的同时保证结果的稀疏性.然后,利用边界优化法和逐分量迭代算法在训练集上求解权重向量,克服了牛顿一拉夫森法和迭代重加权最小二乘法的局限性.最后,在自步调手指运动数据集上采用十重交叉验证法得到80%的分类准确率,并与稀疏logistic回归的实验结果进行对比,说明局部保持投影正则项有效地保留了对脑电分类有用的信息.
简介:背景:精神分裂症主要是通过症候学的方法进行诊断,近年来通过神经影像技术与模式识别的结合对精神分裂症患者与正常人进行鉴别的研究已经引起人们的兴趣。目的:利用模式识别的方法对精神分裂症患者和正常人的大脑前额叶多通道近红外光谱信号数据进行分类鉴别,验证其可行性。方法:使用言语流畅性测验作为激活任务,采集精神分裂症患者和正常人的大脑前额叶的近红外光谱信号数据。对采集数据进行预处理后计算各通道均值作为特征,计算接收者操作特征的曲线下方面积对通道特征进行分类性能排序,使用支持向量机按性能排序的特征组合做分类,然后用留一验证法计算分类性能指标,验证分类能力。结果与结论:研究发现特征性能排序前8位的特征组合的准确度最高达到95.24%,并且这8个通道都位于右侧前额叶。推断右侧前额叶区域可能是影响精神分裂症患者的主要脑区,因此根据结果可以推断出近红外光谱数据通过与模式识别方法的结合可以成为辅助诊断精神分裂症病患者的一种手段。
简介:摘要:随着我国经济在快速发展,社会在不断进步,尽早发现高压电缆局部放电信号类型并采取相应措施,对于有效避免绝缘系统遭受破坏至关重要。针对高压电缆中4类常见的典型缺陷产生的局部放电信号,本文提出一种基于卷积神经网络的高压电缆局部放电信号分类方法。首先构建缺陷模型,采集4类缺陷的局部放电信号作为样本,并用电压幅值-相位谱图作为输入数据集;然后利用多层卷积核进行特征提取,多分类器进行分类回归;最终得到训练完成的卷积神经网络。比较而言,基于反向传播(backpropagation,BP)神经网络和自编码神经网络的分类方法分类效果不稳定,整体准确率较差,本文方法的特征提取能力更强,对每一类信号的分类效果都较好,具有更广阔的应用前景。
简介:摘要:随着我国经济在快速发展,社会在不断进步,尽早发现高压电缆局部放电信号类型并采取相应措施,对于有效避免绝缘系统遭受破坏至关重要。针对高压电缆中4类常见的典型缺陷产生的局部放电信号,本文提出一种基于卷积神经网络的高压电缆局部放电信号分类方法。首先构建缺陷模型,采集4类缺陷的局部放电信号作为样本,并用电压幅值-相位谱图作为输入数据集;然后利用多层卷积核进行特征提取,多分类器进行分类回归;最终得到训练完成的卷积神经网络。比较而言,基于反向传播(backpropagation,BP)神经网络和自编码神经网络的分类方法分类效果不稳定,整体准确率较差,本文方法的特征提取能力更强,对每一类信号的分类效果都较好,具有更广阔的应用前景。