共查询到18条相似文献，搜索用时 79 毫秒
1.
2.
为了提高脑力负荷分类准确率,提出一种将Bagging和极限学习机相结合的集成算法。用极限学习机（ELM）作为底层弱分类器,通过多数投票方式决定最终类别的标签,从而构建最终强分类器。实验结果表明,在脑力负荷识别研究问题上,该集成算法的分类准确率在4个被试数据集上分别达到了96.17%、96.02%、92.50%和93.50%。相较于传统的ELM算法,分类准确率在4个被试数据集上分别提升了1.59%、1.34%、2.86%和1.80%。并且新算法在精确率、灵敏度和特异度等评估标准上均高于传统ELM分类器。 相似文献
3.
何剑 《扬州职业大学学报》2008,12(2):34-37
提出了一种独立分量分析和二叉决策树支持向量机相结合的人耳识别模型。首先应用独立分量分析（ICA）方法从高阶统计相关性角度出发提取人耳图像的特征变量,然后采用二叉决策树支持向量机（BDTSVM）分类器进行人耳图像的分类与识别。该模型可以降低分类难度,进一步提高人耳识别率。 相似文献
4.
支持向量机(SVM)是统计学习理论最为成功的实现。支持向量机适用于两类样本的分类问题,面对正负样本数目失衡的情况,加权的方法虽然能有效改变分类器对数目小的样本类的预测偏置问题,但往往是以牺牲数目较大样本类的预测精度为前提。单分类支持向量机(One-SVM)只用某一类样本来训练分类器,可以有效避免预测偏置问题的出现。本文将单分类支持向量机(One-classSVM)用于UCI数据库的灯盏花分类研究,结果显示,单分类支持向量机在处理样本数目失衡的模式识别问题中,具有良好的泛化能力,预测精度特异性达到95.45%,同时单分类支持向量机只用一类样本训练分类器,在算法的时间复杂度上也具有优势。 相似文献
5.
6.
针对标准支持向量机训练时间过长与参数选择无指导性问题,给出一种通过粒子群优化双支持向量机模型参数的方法。与标准支持向量机不同,该方法的时间复杂度更小,特别适合不均衡的数据样本分类问题,对求解大规模的数据分类问题有很大优势。将该算法与标准的支持向量机分类器在不同的文本数据集上进行仿真实验对比,以验证算法的有效性。结果表明基于粒子群优化的双子支持向量机分类器的分类结果高于标准支持向量机分类结果。 相似文献
7.
运动想象脑电信号的特征提取对脑-机接口研究者是一大难题。针对该问题,介绍了一种相位同步和AR模型系数相结合的特征提取方法。该方法对采集的脑电信号进行Hilbert变换计算脑电信号的相位同步特征,选用Burg算法对滤波后的脑电信号进行AR模型谱估计,比较6阶和8阶功率谱密度,求出AR模型的系数为6。采用支持向量机对两种特征组合的14维特征向量进行分类。分类结果显示在Trail的3s~7s期间,相位同步与AR模型系数相结合的特征提取平均分类正确率为82.58%,最高分类正确率达到了88.96%,优于传统的小波变换和共空域模式特征提取方法。实验结果也表明相位同步特征提取的最佳时间为Trail的3s~7s期间,该方法为BCI研究运动想象脑电信号的分类识别提供了有效手段。 相似文献
8.
针对滚动轴承故障分类准确率低的问题,提出一种利用遗传算法结合粒子群算法优化支持向量机分类器的故障诊断方法。实验通过提取滚动轴承不同故障状态下的振动信号,以转化成时域和频域组成的特征集为特征向量,利用粒子群生成二维粒子,即惩罚因子C、核函数参数G,并喂入支持向量机进行训练和交叉验证,取最优适应度对应的粒子,进而构建遗传粒子群改进支持向量机故障分类模型。实验证明,粒子群改进的支持向量机与遗传算法改进的支持向量机相比,该算法模型在滚动轴承故障分类中对时域、频域、时频域3个特征集的正确率均有明显改进。 相似文献
9.
针对目前煤矿电力系统中对常见的暂态电能质量扰动识别精度不高的问题,提出基于粒子群优化最小二乘支持向量机（PSO-LSSVM）的扰动分类识别方法。介绍煤矿电力系统中常见的4种暂态扰动,利用广义S变换（GST）提取扰动中相空间时-频域的有用特征,然后利用PSO优化LSSVM分类器的惩罚因子c和参数σ,构建PSO-LSSVM分类器,最后将提取的特征量作为PSO LSSVM分类器的样本进行训练、测试。MATALA仿真结果表明,该方法能够准确可靠地对煤矿电能质量扰动进行识别与分类,对于煤矿电能质量监测具有较高参考价值。 相似文献
10.
针对运动想象脑电特征的提取与识别,提出了一种采用经验模态分解(EMD)提取脑电信号能量特征与幅值特征的分类识别方法。首先用时间窗对脑电信号进行细分;然后利用EMD方法对细分后的数据进行分解,取前三阶的固有模态函数分量(IMF),提取能量和平均幅值差作为特征向量;最后,使用支持向量机对左右手运动想象进行分类识别。多次仿真试验数据表明,分类准确度达到88.57%,证明了该方法有效、适用。 相似文献
11.
针对癫痫脑电(EEG)信号的非平稳性和非线性,提出一种基于集合经验模式分解(EEMD)提特征并利用最小二乘支持向量机(LS-SVM)的脑电信号分类方法。首先利用EEMD将EEG信号分成多个经验模式分量,得到各阶本征模式分量(IMF),然后提取有效特征,最后用LS-SVM对其进行分类,实验结果表明,该方法对癫痫发作间歇期和发作期EEG的提特征后分类识别正确率达到98%。 相似文献
12.
如何从小样本、高维度特性的功能磁共振成像（fMRI）数据中识别出内在的脑区活动模式,对理解人脑意义重大。随着模式识别技术和机器学习算法的发展,fMRI的分类研究也引起了人们的重视。提出一种对fMRI数据分类的加权随机SVM集群（WRSVMC）算法。该算法分为两步,首先通过随机选择样本和特征建立多个SVM,以构建集成分类器;然后在投票过程中,对每个SVM赋权重,以优化模型的集成性能。结合fMRI数据和图论特征,采用WRSVMC算法对轻度认知障碍（MCI）患者数据展开分类研究。结果表明,准确率最高可达87.67%。该方法能帮助医师对MCI患者进行辅助诊断。 相似文献
13.
为了探索悲伤刺激下的关键情感神经回路,利用功能核磁共振信号进行了动态因果建模．在Papez环路和相关先验知识的基础上建立情感环路的固有连接模型,并相应建立了3个调节连接模型．在这些模型中,实验刺激作用于不同的连接点,它们对脑区间的神经活动影响及对神经活动的调节方式都各自不同．然后通过贝叶斯模型比较,选出了最优模型．从群组分析中发现抑郁症患者前扣带回至右额下回的固有连接和调节连接均显著强于健康被试．随后将这些功能连接参数作为特征用于抑郁症分类,其中SVM分类器的准确率为80．73％．这也在一定程度上验证了功能连接用于抑郁症识别的有效性,并为抑郁症临床诊断提供了新的思路． 相似文献
14.
15.
INTRODUCTION Support Vector Machine (SVM) is a relativelynew soft computing method based on statisticallearning theory presented by Vapnik (1995). In SVM,original input space is mapped into a high dimen-sional dot product space called feature space in whichthe optimal hyperplane is determined to maximize thegeneralization ability of the classifier. The optimalhyperplane is found by exploiting a branch ofmathematics, called optimization theory, and re-specting the insights provided by … 相似文献
16.
为了改善传统脑电情绪识别方法需要对脑电信号进行深入了解,且需要人工提取相关特征的缺点,基于深度森林的表征学习能力对脑电样本的时域与频域数据进行自动特征提取,并融合32通道脑电信号的时域特征向量和频域特征向量,通过级联森林对特征作进一步学习。实验结果表明,该方法对效价二分类预测的准确率达到68.4%,查准率达到66.3%,查全率达到89.9%,F1分数达到76.3%;对唤醒度二分类预测的准确率达到68.2%,查准率达到65.8%,查全率达到91.2%,F1分数达到76.4%。通过与DEAP数据集使用EEG信号给出的二分类实验结果进行对比,基于深度森林的脑电情绪识别方法对未知样本的识别准确率高于DEAP的结果。 相似文献
17.
情感分析在业界被广泛应用于产品分析、商品推荐等方面,具有很高的商业价值。目前常用的研究方法主要基于机器学习算法和基于词典的方法,该类方法通常需依赖复杂的人工规则和特征工程。针对传统情感分类方法需要人工干预的问题,总结目前已有可用于情感分析的深度学习方法,提出将卷积神经网络（CNN）和双向长短时记忆网络（BLSTM）进行组合,并将融合后的特征添加至注意力机制,设计出CBLSTM-Attention模型。实验表明,该模型在中文数据集上准确率达0.965 0,在NLPCC英文数据集上准确率达0.942 2,证明该方法不仅可提高文本情感倾向性分析的准确率,而且可有效解决人工干预问题。 相似文献
18.
为避免接触式疲劳检测方法给驾驶员带来干扰,解决单一信号源对于反映疲劳程度可靠性低的问题,实现对疲劳状态高精度、高速度的检测,提出一种基于正则极限学习机的驾驶员疲劳状态分类方法。该方法通过多普勒雷达模块采集驾驶员生理信号,包括呼吸信号和心跳信号,作为神经网络输入数据。通过多源信息结合的方式提高疲劳状态检测可靠性。设计正则极限学习机（RELM）模型对数据集进行训练。实验结果显示,基于RELM算法模型检测驾驶员疲劳状态的准确率达92%。RELM算法可实现对训练数据的快速计算和学习,同时通过特征变换消除个体差异,实现对驾驶员疲劳状态较高的检测率。 相似文献