• 碩博初稿查重系統(tǒng) 498.00元/篇
  ? 語種：中文,英文,小語種? 適用：雜志社投稿，職稱論文? 簡介：碩博初稿檢測（一般習慣叫做碩博預(yù)審版），論文查重檢測上千萬篇中文文獻，超百萬篇各類獨家文獻，超百萬港澳臺地區(qū)學術(shù)文獻過千...

  開始檢測
• 維普查重(大學生版） 4.00元/千字
  ? 語種：中文,英文? 適用：雜志社投稿，職稱論文? 簡介：學位論文查重,維普大學生版論文查重系統(tǒng)：高校，雜志社指定系統(tǒng)，可檢測期刊發(fā)表，大學生，碩博等論文。檢測報告支持PDF、網(wǎng)...

  開始檢測
• 本科高校內(nèi)部版系統(tǒng) 288.00元/篇
  ? 語種：中文,英文,小語種? 適用：雜志社投稿，職稱論文? 簡介：比定稿版少大學生聯(lián)合比對庫，其他數(shù)據(jù)庫一致。出結(jié)果快，價格相對低廉，不支持驗證，適合在修改中期使用，定稿推薦PMLC?！?..

  開始檢測
• 萬方論文查重系統(tǒng) 4.00元/千字
  ? 語種：中文? 適用：雜志社投稿，職稱論文? 簡介：畢業(yè)論文查重,萬方查重系統(tǒng)，涵蓋期刊、學位論文、學術(shù)成果、學術(shù)會議論文的大型網(wǎng)絡(luò)數(shù)據(jù)庫；比肩中國知網(wǎng)的學術(shù)數(shù)據(jù)庫。最多支...

  開始檢測

　　摘　要：腦電信號具有時變、個體差異的特點，容易受到身體狀態(tài)、情緒、位置等因素的影響，傳統(tǒng)的 BP 網(wǎng)絡(luò)分類器難以適應(yīng)動態(tài)監(jiān)測的要求?；诖耍P者提出了一種基于 BP 網(wǎng)絡(luò)的 BP AdaBoost 基本網(wǎng)絡(luò)分類器。首先，該分類器是在傳統(tǒng) Ada 在線自學習能力的腦電信號分類方法 boost 集成學習框架下由弱分類器形成的，其通過引入遺忘因子，改變初始樣本容量來改進 AdaBoost 算法;其次，初始權(quán)值增強了其時間相關(guān)性，得到 BP-AdaBoost 分類器，并進一步借鑒半監(jiān)督的思想，增加了基于 K- 近鄰規(guī)則的自評價反饋環(huán)節(jié)，從而提高了捕獲效果;最后，基于國際 BCI 競賽數(shù)據(jù)集，利用 Hilbert Huang 變換提取腦電圖特征。仿真結(jié)果表明，筆者提出的分類方法對時間和個體具有較好的適應(yīng)性和魯棒性，與傳統(tǒng)的 BP 神經(jīng)網(wǎng)絡(luò)相比，分類精度約提高了 23.42%。

　　關(guān)鍵詞：自主學習;腦電圖;識別;學習演算法

　　0　引言

　　腦機接口(BCI)利用腦電信號(EEG)在大腦和計算機之間建立起一條直接的信息交換通路。分類器設(shè)計是 BCI 系統(tǒng)的重要技術(shù)之一。傳統(tǒng)的 BP 神經(jīng)網(wǎng)絡(luò)分類器屬于監(jiān)督分類器，通常采用“①分類 - ②訓(xùn)練”的結(jié)構(gòu)。訓(xùn)練過程是決定系統(tǒng)分類性能的唯一因素。在不同的思維任務(wù)下，腦電信號具有時間變化和個體差異的特點，周圍環(huán)境和人體形態(tài)如狀態(tài)、情緒、位置等因素會導(dǎo)致動態(tài)腦電圖數(shù)據(jù)的分類界限不同。因此，當 BP 神經(jīng)網(wǎng)絡(luò)分類器用于不同的思維任務(wù)時，離線訓(xùn)練樣本的特征空間不能被腦電數(shù)據(jù)的在線分類所覆蓋，在線腦電數(shù)據(jù)的特征空間大大降低了分類的效果 [1]。

　　相關(guān)期刊推薦：《計算機測量與控制》(月刊)創(chuàng)刊于1993年，由中國計算機自動測量與控制技術(shù)協(xié)會主辦。報道內(nèi)容：1計算機技術(shù)、自動測試技術(shù)和自動控制技術(shù)的研究成果及發(fā)展方向的綜述與評論;2先進的總線技術(shù)、故障診斷技術(shù)、系統(tǒng)集成技術(shù)以及控制理論在工業(yè)領(lǐng)域和軍事中的應(yīng)用;3邊緣掃描測試技術(shù)、遙測遙控技術(shù)和自動測試系統(tǒng)的設(shè)計與開發(fā);4動態(tài)數(shù)據(jù)采集與信號處理系統(tǒng);現(xiàn)場總線與接口技術(shù);機電一體化技術(shù);5嵌入式系統(tǒng)軟件、軟件測試以及工控組態(tài)軟件的開發(fā)與應(yīng)用;6集散/分布控制系統(tǒng)，自控/監(jiān)控系統(tǒng)的開發(fā)與應(yīng)用;7計算機網(wǎng)絡(luò)與通信、樓宇自動化技術(shù)的開發(fā)與應(yīng)用;8先進的測控部件及傳感器技術(shù)在工業(yè)自動測試和控制中的應(yīng)用;9基于總線技術(shù)的智能儀器儀表的設(shè)計與開發(fā)。

　　比較了 BP 神經(jīng)網(wǎng)絡(luò)和 AdaBoost 自適應(yīng)增強算法，本文建立了 BP-AdaBoost 基本網(wǎng)絡(luò)分類器模型。在此基礎(chǔ)上增加反饋環(huán)節(jié)，利用樣本概率類標簽進行訓(xùn)練分類，細化樣本信息，然后將遺忘因子引入傳統(tǒng)的 AdaBoost 算法中進行改進。該方法使樣本具有不等概率的初始權(quán)值，增強了樣本的時變信息，從而獲得具有自我評估和學習能力的腦電圖信號分類方法。

　　1　BP 神經(jīng)網(wǎng)絡(luò)的反饋自學習

　　1.1　改進的 BP 神經(jīng)網(wǎng)絡(luò)分類器

　　傳統(tǒng) BP 神經(jīng)網(wǎng)絡(luò)分類器的特點是“①分類 - ②訓(xùn)練” 的固定結(jié)構(gòu)，訓(xùn)練過程通常是離線學習。在此過程中，從給定的樣本出發(fā)，調(diào)整網(wǎng)絡(luò)權(quán)值參數(shù)，進行初始設(shè)計，將樣本集包含的知識與神經(jīng)網(wǎng)絡(luò)參數(shù)進行融合。在進行在線分類時，特別是需要分類的樣本數(shù)據(jù)是非線性時變的，并且數(shù)據(jù)和特征信息的分布隨著樣本數(shù)的增加而變化，導(dǎo)致分類性能下降。通過改進分類器的結(jié)構(gòu)，增加了樣本信息量。分類器的在線自學習能力非常重要。因此，在傳統(tǒng)的 BP 神經(jīng)網(wǎng)絡(luò)分類器中加入了反饋電路 [2]。本文提出了“①分類 - ②訓(xùn)練 - ③反饋自學習”的框架：在改進的 BP 神經(jīng)網(wǎng)絡(luò)中，分類器有兩個結(jié)構(gòu)相同的BP網(wǎng)絡(luò)，BP1在數(shù)據(jù)模型分類中加入樣本數(shù)據(jù); BP2 在在線學習中加入樣本數(shù)據(jù)，決策點在第 2 步確定新樣本，需要反饋再學習步驟。如果 BP1 不能很好地跟蹤分類線，則使用 BP2 獲得的權(quán)重更新 BP1 的權(quán)重，分類器動態(tài)工作。

　　1.2　基于 K- 鄰域規(guī)則的自我評價和自我反饋機制

　　改進的 BP 神經(jīng)網(wǎng)絡(luò)分類器的結(jié)構(gòu)為“①訓(xùn)練 - ②分類 - ③ 反饋自學習”三部分，步驟②根據(jù)分類結(jié)果反饋判斷，在確定新樣本數(shù)據(jù)的分類標簽后，可用于反饋，但反饋的準確性取決于自我判斷規(guī)則是否有效。一方面，如果規(guī)則過于嚴格，分類器會表現(xiàn)出“自卑”，很多人會放棄有用的反饋機會，回到“①訓(xùn)練 - ②分類”;另一方面，當規(guī)則變得粗糙時，分類器會表現(xiàn)出過多的“可信度”，虛假反饋的發(fā)生率會增加，這不僅可以提高系統(tǒng)的分類性能，而且會導(dǎo)致系統(tǒng)性能下降?；谝缽男砸?guī)則的反饋準則，其重點是訓(xùn)練樣本，并且對于每個新添加的樣本，最近規(guī)則的樣本是最近選擇的。如果有鄰近的觀察結(jié)果，則刪除與最鄰近沒有相同數(shù)據(jù)的標簽，以決定修改后的標簽。當 k=3、m=2 時，使用最近鄰準則進行識別，降低了分類器的性能。

　　2　BP-AdaBoost 網(wǎng)絡(luò)分類器

　　2.1 BP-AdaBoost 基本網(wǎng)絡(luò)模型

　　AdaBoost 算法是 frenund 算法和 scapire 算法在 boosting 算法基礎(chǔ)上提出的一種改進算法，它可以從弱分類器中學習和調(diào)整弱分類器的誤差，進一步提高分類效果。本文將 BP 網(wǎng)絡(luò)作為 Ada 弱分類器下 Boost 集成學習的框架，在傳統(tǒng) AdaBoost 的基礎(chǔ)上形成 BP-AdaBoost。BP-AdaBoost 基本網(wǎng)絡(luò)模型的工作原理如下：首先，證明樣本被賦予權(quán)重的概率和樣本是由弱分類器選擇的訓(xùn)練集的概率。如果樣本點分類正確，則訓(xùn)練下一個弱分類器，其權(quán)值降低。相反，如果采樣點沒有正確分類，則權(quán)重會增加 [3]。AdaBoost 自適應(yīng)增強算法可以“聚焦”對這些類來說困難且信息量大的樣本，其具體的工作流程如下：在線使用 BP-AdaBoost 網(wǎng)絡(luò)進行學習和分類時，樣本量隨會時間延長而增加，因此，有必要采用滑動窗口更新的方法。當新數(shù)據(jù)到達時，窗口將逐漸滑動，并向窗口中添加新樣本，與此同時，會刪除相應(yīng)數(shù)量的舊樣本，使窗口始終是固定數(shù)量的最新數(shù)值數(shù)據(jù)。窗口中樣本數(shù)據(jù)的初始權(quán)值是等價的，沒有時間信息和樣本。

　　2.2 BP AdaBoost 網(wǎng)絡(luò)模型

　　為了進一步提高分類器的時間適應(yīng)性，本文提出了 AdaBoost 因子算法，這是對遺忘算法的改進，描述過去樣本的時間信息在一定程度上解決了“突然遺忘”問題。與傳統(tǒng)的 AdaBoost 算法相比，該算法有了特別的改進：(1)安裝了一個滑動窗口;對于兩類問題，窗口寬度為 2n;(2)將窗口中的數(shù)據(jù)按時間序列排列;(3)提高了樣本初始權(quán)重，即用遺忘因子初始化樣本權(quán)重。

　　2.3　個基點演算法分類器

　　用 BP AdaBoost 網(wǎng)絡(luò)模型代替改進后的 BP 神經(jīng)網(wǎng)絡(luò)，分類精度隨樣本數(shù)量的增加而增加，使曲線控制器中的 BP 網(wǎng)絡(luò)可以獲得具有反饋自學習能力的 BP AdaBoost 分類器。該分類器不僅將“①訓(xùn)練 - ②分類 - ③反饋自學習”結(jié)構(gòu)和 AdaBoost 算法相結(jié)合，而且引入了 BP 神經(jīng)網(wǎng)絡(luò)的優(yōu)點，特別是遺忘因子，具有較好的自適應(yīng)性和泛化能力。

　　3　實驗與分析

　　3.1　數(shù)據(jù)來源

　　實驗數(shù)據(jù)來源于 bcicom 情愿 Щ 中的 DataSetiva 包。數(shù)據(jù)包由柏林大學醫(yī)學部神經(jīng)病學的 neurophysicsgroup 提供，記錄 5 名受試者 (AA、Al、AV、AW、AY) 的實驗數(shù)據(jù)。每一個主題共進行了 280 次實驗，類別標簽實驗分別進行。對于 224、168、84、56 和 28，實驗數(shù)據(jù)按時間順序排列。思維任務(wù)包括兩種類型：想象右手和腳。

　　3.2　特征提取

　　采集到的原始腦電圖數(shù)據(jù)量大、維數(shù)高，直接使用會增加分類器設(shè)計的難度。因此，本文利用 Hilbert Huang 變換對腦電信號進行預(yù)處理。通過經(jīng)驗?zāi)B(tài)分解得到腦電信號的固有模態(tài)分量，并對其進行改進 [4]。利用 Hilbert Huang 變換計算信號在時頻窗內(nèi)的瞬時能量，將其作為不同思維任務(wù)的腦電圖特征。根據(jù)腦電圖信號和思維任務(wù)，將 C5 和 CPZ 的瞬時能量提取為腦電信號的特征，以訓(xùn)練樣本集和測試樣本集。

　　3.3　系統(tǒng)參數(shù)設(shè)置

　　BP AdaBoost 網(wǎng)絡(luò)模型中 BP 網(wǎng)絡(luò)分為 3 層：輸入層、隱含層和輸出層。隱層和輸出層選擇 Tansig 函數(shù)，BP 網(wǎng)絡(luò)訓(xùn)練采用 Levenberg Marquardt 算法。另外，實驗使用了多線程技術(shù)來保證在線實時學習和在線分類。

　　3.4　實驗結(jié)果與分析

　　利用相同的數(shù)據(jù)預(yù)處理方法，所有 5 名受試者均使用類別標簽進行標記。提取 560 次實驗數(shù)據(jù)得到測試集，并從中隨機選取。訓(xùn)練集由被試 30 次實驗數(shù)據(jù)的特征信息組成。統(tǒng)一 BP 網(wǎng)絡(luò)分類器、改進 BP 網(wǎng)絡(luò)分類器、無遺忘因子 BP AdaBoost 分類器和帶遺忘因子的 BP AdaBoost 分類器分別進行了 20 次仿真實驗，提供了進一步的信息，給出了每個樣本區(qū)間內(nèi)四個分類器的平均準確率，表明四個分類器的平均值曲線和線性趨勢的準確性隨樣本數(shù)量的增加而增加，。

　　4　結(jié)　語

　　根據(jù)人工神經(jīng)網(wǎng)絡(luò)模型的基本結(jié)構(gòu)，本文建立了基于虛擬可重構(gòu)技術(shù)的數(shù)字電路，提出了進化的模型平臺是可演化硬件研究中關(guān)鍵問題的一種新的解決方案，進化實驗的成功也證明了該方法的可行性。——論文作者：李紅宇　劉慶江　常曉娟　趙　薇