导读:本文包含了协同模式识别论文开题报告文献综述、选题提纲参考文献，主要关键词:神经网络,动力学,指纹,算法,参数,模式,电信号。
协同模式识别论文文献综述写法
王东清[1]（2018）在《基于肌肉协同的肌电模式识别方法研究与应用探索》一文中研究指出肌电信号(Electromyography,EMG)是伴随肌肉活动产生的一种重要电生理信号,可实时反映肢体的运动意图和运动状态。依据这一生理学基础,通过放置在皮肤表面的电极采集到肌肉活动的表面肌电信号(Surface EMG,sEMG)实现的肌电控制(Myoelectric Control),成为一种重要的人机接口技术。按照所采取的控制策略,肌电控制技术经历了最初的“开关”控制、比例控制到目前主流的模式识别控制的发展过程。前两种控制策略通过在主动肌-拮抗肌对和一个控制自由度间建立映射,实现的肌电控制系统功能单一,可控自由度数量受限。近年来,基于模式识别技术的肌电控制策略,由于其具有多功能和多自由度的优势成为研究热点。然而,实际应用中的各种因素严重制约着基于模式识别策略的肌电控制发展,使其在临床和工业界一直没有得到广泛应用。其中,传统肌电模式识别方法仅从数据呈现运动模式,缺乏对形成运动的神经肌肉调控机制的理解,导致所实现的肌电控制系统缺乏鲁棒性和泛化能力。相比之下,肌肉协同作为中枢神经系统(Central Nervous System,CNS)募集骨骼肌完成各种肢体动作的最小单位,可以解释CNS对肌肉的控制机制,提供了一种从肢体运动产生的sEMG中准确解码神经控制信息的新思路。本文以神经科学研究中揭示的运动调控的重要规律为基础,将肌肉协同概念融入到传统肌电模式识别框架中,提出一系列基于肌肉协同的肌电模式识别新方法。具体地,重点探索了肌肉收缩强度变化条件下的鲁棒肌电模式识别,以及对新用户能快速定制和校准的多用户通用肌电模式识别控制。此外,本文还研究了基于肌电模式识别技术在神经损伤患者康复训练中的应用及其在工程化中需要解决的科学问题。本文的主要工作及创新点概括如下:(1)对肌力变化信息鲁棒的肌电模式识别方法。针对肌肉收缩强度变化引起的传统肌电模式识别性能降低的现象,利用肌肉协同所呈现的力度不变性,提出一种将肌肉协同模型融合于肌电模式识别的新方法,以提高肌电模式识别在肌力变化信息下的鲁棒性。具体地,分别提出了基于特定任务肌肉协同(task-specific muscle synergy-based classification,TMSC)和基于任务间共有肌肉协同(shared muscle synergy-based classification,SMSC)的肌电模式识别方法。TMSC 利用非负矩阵分解算法(non-negative matric factorization,NMF)对每个动作提取任务特定协同,并依据特定任务协同重构样本特征的相似度来决策最终的动作类别。相比之下,SMSC对所有动作样本特征组成的特征矩阵利用NMF提取任务间共有协同,可理解为一种特征转换算法,再通过常规肌电模式识别模型对转换后的样本特征完成类别决策。为了验证所提算法框架的有效性,对健康受试者多种不同等级肌力条件下的多自由度手势动作分别采用TMSC和SMSC方法进行识别,并与常规肌电模式识别算法做比较分析。此外,还考察了上述分类方法与传统的肌电时域特征,以及国际上最新报道的对肌力变化信息鲁棒的特征进行组合时,在多种不同的测试或训练方案下的分类表现。实验结果表明,当采用某种力度下的数据训练但使用其他力度的数据测试时,两种新方法的识别率相比于常规的肌电模式识别方法会明显提高(7.53%～14.97%)。更进一步地,TMSC的识别性能要优于或无差异于其他两种分类方法。研究成果可视为在新的分类器层面作出的努力,提供了一种对肌力变化信息鲁棒的分类器方法。(2)基于自适应非负矩阵分解的多用户肌电模式识别。针对新用户使用肌电控制系统重复训练的问题,借助肌肉协同相比肌电数据模式有更好的用户通用性优势,进一步扩展前述基于特定任务协同的方法,提出了自适应的非负矩阵分解算法,以实现在不同用户间具有普适性和通用性的肌电模式识别方法。该方法首先预训练多用户的模型参数作为新用户模型参数更新的初始值,通过校准样本实现了对新用户模型参数的自适应更新。具体包括两种方法:一种是预训练多用户共享的特定任务协同,将其作为预训练用户与新用户共享的协同,并通过自适应方式获取新用户个性化的特定任务协同,将两者相加作为新用户的特定任务协同;另一种是首先对每位用户预训练特定任务协同,通过自适应方式学习这些预训练模型的加权系数,最终以线性组合的特定任务协同作为新用户的分类器。为了验证所提方法的有效性,对12名健康受试者的21个手指手势动作的高密度肌电信号进行分析,并采用留一法进行算法性能评估,实验结果表明在校准样本数量较少的情况下便可获取满意的识别效果。(3)肌电模式识别方法在运动康复中的应用。以脑卒中患者作为研究对象,探索了基于模式识别的肌电控制策略扩展应用于神经损伤患者康复训练中的问题与解决方案。一方面,针对脑卒中后神经-肌肉传导信息受阻,有效神经控制信息提取受限的问题,借助高密度电极阵列最大程度捕获丰富的肌肉活动信息,提出基于高密度电极阵列信号采集和基于肌电小波包分解的特征提取方法,最大化捕获并解析有效的神经控制信息。另一方面,针对偏瘫患者因不同程度的肢体功能障碍导致无法依据常规解剖学知识确定合理的肌电电极位置(肌电控制源)的问题,将小波包特征优选算法扩展为有效的肌电通道优选方法,不仅能够从高密度阵列中选择有效的肌电控制源,所选的较少数量的肌电通道又可以提高肌电控制技术在临床康复中的实用性。不仅如此,在前述肌电模式识别控制策略研究基础上,为偏瘫上肢康复治疗提出一种可支持比例控制的多自由度肌电模式识别控制方法。通过对脑卒中患者的实验数据分析,结果验证所提方法的有效性。在基于模式识别控制策略的同时支持力度变化的比例控制策略,可为患者康复训练提供更自然的运动反馈信息,有助于中枢神经重塑和康复治疗效果提高。(本文来源于《中国科学技术大学》期刊2018-05-05）
王润飞[2]（2017）在《基于协同进化神经网络集成的控制图模式识别技术研究》一文中研究指出随着生产技术的进步,消费者的需求日益提高。这种需求不仅意味着需求量的增加,更有需求品质的提升。质量管理是现代化工业生产提高市场竞争优势的一个重要方法。在现代化工业生产过程中,稳定的工艺流程是影响产品质量的一个重要因素。统计过程控制中的质量控制图,常被用来监控产品质量的稳定性。然而传统的控制图已不再适应现代化大生产的需求。借助于先进的计算机信息处理技术,把人工智能技术应用工业过程控制中去,实现工业过程中质量控制的实时性、准确性是当前国内外专家学者研究的方向之一。本文总结了在现代化工业生产过程中,关于质量管理领域的控制图模式识别的国内外研究现状和发展趋势,介绍了统计过程控制的基本概念和质量控制图的基本原理,对本文涉及的控制图的判定原则、神经网络的基本理论及其泛化和集成理论、协同进化等相关理论进行了阐述和分析,给本文研究的开展提供了理论支撑。通过分析目前质量控制图模式识别方法中存在的不足和缺陷,结合人工神经网络在处理复杂分类问题方面的特点,利用协同进化的思想提出了一种神经网络集成的设计和训练的方法。通过对神经网络集成泛化误差的分析,将神经网络学习算法和协同进化算法相结合,用个体网络的相关度度量网络集成的误差从而实现个体网络的差异性,个体神经网络的结构在学习过程中自动确定,保持了个体网络的准确性,通过构造方法自动确定神经网络集成的结构,提高了集成学习系统的稳定性和泛化能力。最后利用蒙特卡罗质量特征数据模拟方法生成与实际生产过程相似的质量特征序列,运用MATLAB2012a对控制图6种基本模式识别网络进行编程训练,仿真结果表明所训练的神经网络集成CNNE模型具有很强的识别能力其性能明显优于BP网络和RBF网络等单个的神经网络分类方法,也优于Bagging和Adaboost等传统的集成方法。(本文来源于《中北大学》期刊2017-04-10）
解学梅[3]（2014）在《上海科技型中小企业协同创新模式识别与评价》一文中研究指出上海科技型中小企业主要的协同创新模式可以归纳为专利和技术服务购买、技术引进、委托研发或研发外包、产学研合作、联盟、创新要素共享和转移、网络组织、创新平台等8种模式。这些模式可以帮助企业以较低的成本取得技术创新所需的资源,进而使得创新效率得到提高。提升上海科技型中小企业协同创新能力,需要构建协同创新的政策和制度环境,提高企业的协同创新能力,强化不同协同主体的支撑程度,构建创新主体间的协同互动网络。(本文来源于《科学发展》期刊2014年08期）
邵静,高隽,徐小红[4]（2006）在《An Invariance Algorithm of Synergetic Pattern Recognition一种协同模式识别不变性算法》一文中研究指出提出一种协同模式识别的不变性算法,利用协同模式识别的有势动力学理论,求取测试样本的仿射变换参数。通过原型模式对测试样本的自适应或原型模式对测试样本的同化,由序参量动力学演化过程得到正确的识别模式。此算法避免利用傅立叶等方法进行变换域的处理,而且更符合人的认知过程。仿真实验验证了算法的有效性和鲁棒性。(本文来源于《模式识别与人工智能》期刊2006年04期）
卢洵[5]（2004）在《协同模式识别算法及其改进》一文中研究指出本文演示了应用协同学理论进行模式识别的基本过程,讨论了其平移、旋转和缩放不变性,将小波变换应用于识别过程,并以人脸为例进行了识别。(本文来源于《计算机工程与科学》期刊2004年02期）
陈卫刚,戚飞虎[6]（2004）在《一种新的协同模式识别学习算法》一文中研究指出在协同模式识别中,学习可以归结为求原型向量和伴随向量.文中提出了一种基于核函数映射的学习算法,输入向量被隐式地映射到一个可分性有所提高的向量空间,然后计算变换后的原型向量.对伴随向量增加一个附加的约束以避免它的范数超过一定值,从而改善伴随向量的性能,减少误识别.通过对数字、英文字母和汉字等的训练实验表明,这种算法得到的伴随向量能更好地表示样本的特征,计算所得的初始序参量能更好地反映测试图像与训练样本之间的相似程度.(本文来源于《上海交通大学学报》期刊2004年01期）
刘秉瀚,王伟智,方秀端[7]（2003）在《协同模式识别方法综述》一文中研究指出介绍协同学理论的基本原理及常见的协同模式识别算法 ,有助于模式识别理论的进一步发展。介绍了相关的基本概念 ,重点对协同识别算法中的原型模式的选择及注意参数的设置等关键技术进行了综述。分析了各种常见方法的应用效果并进行了初步的评价 ,展望了协同模式识别算法的发展方向。协同模式识别方法是协同学原理应用于模式识别领域的一种新方法 ,该算法有着很好的发展前景(本文来源于《系统工程与电子技术》期刊2003年06期）
陈定国[8]（2002）在《基于协同模式识别的指纹分类和匹配算法研究》一文中研究指出随着社会信息化建设的迅猛发展，信息安全保障的实际需求也日益增强。在网络安全、金融、安防、医疗以及电子商务等诸多应用领域都有着身份认证的强烈需要。与此相关的生物特征识别技术日益受到人们的重视。这种技术根据人体自身的特征如人脸、指纹、视网膜、DNA、声音等来识别个人的身份。其中，指纹识别技术更以其独有的优越性成为生物特征识别技术的研究热点之一。 本文的主要研究内容正是指纹识别系统中的两个关键技术：指纹分类和指纹匹配。指纹分类算法将输入指纹归入到预先规定好的若干大类中。其主要目的是方便大容量指纹库的管理，并减小搜索空间，加速指纹识别过程。我们首先研究和实现了目前较为常用的基于方向场计算的指纹分类算法，并结合实际指纹给出了实验及其分析。随后，提出了两种新的分类算法：K—均值聚类算法和协同指纹分类算法。其中，协同指纹分类算法是我们讨论的重点。它所使用的运算模型是协同神经网络(Synergetic Neural Network)运算单元。针对指纹分类的具体问题，我们以聚类法重构网络原型向量，形成五类别序参量参与网络竞争。与传统特征提取过程不同，伴随向量提取了指纹像素域的统计特征，在指纹库中形成整体检索，有效提高了分类效率，降低了特征提取的难度。在此基础上提出协同指纹匹配算法，将协同的方法从粗糙级的分类引入到具体指纹的识别中去。对多种情况的输入样本的实验证明我们的算法是可行和有效的。 论文还对协同特征提取属性进行了深入讨论，指出伴随向量就是原型向量的显着特征，同时包含了图像独有特征和群体的相对特征。在经典Haken网络的基础上，提出了基于等级结构的协同指纹识别系统框架。在实验中，我们提出了序参量选择机制，以序参量量值来预警识别错误，最后用假设检验的方法对协同指纹识别系统进行了性能评估。(本文来源于《合肥工业大学》期刊2002-06-06）
方秀端[9]（2001）在《协同模式识别算法的研究与应用》一文中研究指出二十世纪八十年代末期，协同学的创始人哈肯教授提出了模式识别的一种新方法，即协同模式识别算法。本论文研究了此算法及其应用。文中首先介绍了协同学的基本概念及其理论，接着阐述了几种协同学的模式识别模型及其算法框架，然后系统地研究了协同模式识别的具体实施细节及其存在的问题——原型模式的选择、注意参数的设置及不变性模式识别等。在原型模式的选择上，本论文提出并实现了基于遗传算法的力度参数训练算法来训练基于信息迭加的学习算法中的力度参数，实验结果表明该算法的收敛速度较快。在注意参数设置上，本论文对基于奖惩学习机制的注意参数训练算法进行了改进，同时还探讨了在不存在识别率为100％的解的情况下SCAPAP算法中的明确的参数学习子算法，并以两类病理图像的分类为例实现了该算法，实验结果表明SCAPAP算法并不是总能很好地预测最终的识别结果。在不变性识别上，利用傅立叶变换具有的平移不变性及梅林变换具有的比例不变性，本论文提出了一种基于傅立叶变换和梅林变换的协同神经网络不变性识别算法。最后，本论文介绍了基于协同模式识别算法的病理图像分类系统的设计及其实现，该系统具有较强的鲁棒性，并且提出了一种基于遗传算法的信息迭加自学习算法来自学习被拒识别的测试样本，从而使该系统的识别能力越来越强。(本文来源于《福州大学》期刊2001-12-01）
胡栋梁,戚飞虎[10]（1999）在《协同模式识别中不平衡注意参数的研究》一文中研究指出本文讨论了协同模式识别基本动力学方程中注意参数不平衡情况下的动力学行为，证明了势函数的稳定不动点分布状况，并给出了注意参数的一些重要性质，以指导有选择性偏向的模式识别研究．(本文来源于《电子学报》期刊1999年05期）
协同模式识别论文开题报告范文
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着生产技术的进步,消费者的需求日益提高。这种需求不仅意味着需求量的增加,更有需求品质的提升。质量管理是现代化工业生产提高市场竞争优势的一个重要方法。在现代化工业生产过程中,稳定的工艺流程是影响产品质量的一个重要因素。统计过程控制中的质量控制图,常被用来监控产品质量的稳定性。然而传统的控制图已不再适应现代化大生产的需求。借助于先进的计算机信息处理技术,把人工智能技术应用工业过程控制中去,实现工业过程中质量控制的实时性、准确性是当前国内外专家学者研究的方向之一。本文总结了在现代化工业生产过程中,关于质量管理领域的控制图模式识别的国内外研究现状和发展趋势,介绍了统计过程控制的基本概念和质量控制图的基本原理,对本文涉及的控制图的判定原则、神经网络的基本理论及其泛化和集成理论、协同进化等相关理论进行了阐述和分析,给本文研究的开展提供了理论支撑。通过分析目前质量控制图模式识别方法中存在的不足和缺陷,结合人工神经网络在处理复杂分类问题方面的特点,利用协同进化的思想提出了一种神经网络集成的设计和训练的方法。通过对神经网络集成泛化误差的分析,将神经网络学习算法和协同进化算法相结合,用个体网络的相关度度量网络集成的误差从而实现个体网络的差异性,个体神经网络的结构在学习过程中自动确定,保持了个体网络的准确性,通过构造方法自动确定神经网络集成的结构,提高了集成学习系统的稳定性和泛化能力。最后利用蒙特卡罗质量特征数据模拟方法生成与实际生产过程相似的质量特征序列,运用MATLAB2012a对控制图6种基本模式识别网络进行编程训练,仿真结果表明所训练的神经网络集成CNNE模型具有很强的识别能力其性能明显优于BP网络和RBF网络等单个的神经网络分类方法,也优于Bagging和Adaboost等传统的集成方法。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
协同模式识别论文参考文献
[1].王东清.基于肌肉协同的肌电模式识别方法研究与应用探索[D].中国科学技术大学.2018
[2].王润飞.基于协同进化神经网络集成的控制图模式识别技术研究[D].中北大学.2017
[3].解学梅.上海科技型中小企业协同创新模式识别与评价[J].科学发展.2014
[4].邵静,高隽,徐小红.AnInvarianceAlgorithmofSynergeticPatternRecognition一种协同模式识别不变性算法[J].模式识别与人工智能.2006
[5].卢洵.协同模式识别算法及其改进[J].计算机工程与科学.2004
[6].陈卫刚,戚飞虎.一种新的协同模式识别学习算法[J].上海交通大学学报.2004
[7].刘秉瀚,王伟智,方秀端.协同模式识别方法综述[J].系统工程与电子技术.2003
[8].陈定国.基于协同模式识别的指纹分类和匹配算法研究[D].合肥工业大学.2002
[9].方秀端.协同模式识别算法的研究与应用[D].福州大学.2001
[10].胡栋梁,戚飞虎.协同模式识别中不平衡注意参数的研究[J].电子学报.1999