导读:本文包含了仿生模式识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:电信号,表面,局部,模型,目标,几何体,神经元。
仿生模式识别论文文献综述
李静森[1]（2018）在《基于仿生模式识别的构造型神经网络分类方法分析》一文中研究指出本文体出了一种将仿生模式识别理论作为基础的神经网络构造方法。仿生模式理论认为,同类但不完全相等事物之间存在着至少一个渐变过程,在这个过程当中,各种事物都属于同一类别。利用该理论,能够从高维空间当中神经元模型的几何意义出发,对一种全新的神经网络进行构造,从而使得高位空间中不同亚你根本形成的不同几何体覆盖能够得到有效的实现,并对其进行有效的分类。本文的研究利用双螺旋曲线分类实验使得这种网络的识别效果得到了证明。(本文来源于《电子技术与软件工程》期刊2018年13期）
郭玉[2]（2016）在《基于仿生模式识别的机械故障诊断方法研究》一文中研究指出旋转机械故障诊断技术已在国内外得到了非常高的重视,虽然各种诊断方法都得到广泛的发展并且成果丰硕,但是鲜少有人考虑到故障信号的不完备性,而事实上,此类情况在实际应用中经常遇到,所以本文在充分考虑故障信号的不完备性的基础上,将目前受到广泛重视的仿生模式识别引用到机械故障诊断中,为机械故障诊断技术的发展指出一个新的解决问题的方案。论文首先分别采用回归填补法、EM(最大期望)填补法,以及基于马尔科夫蒙特卡罗的多重填补法处理不完备数据,分析各种填补法对不完备数据模式识别效果的影响。然后探究仿生模式识别的原理,编写了仿生模式识别的两种神经网络实现程序——超香肠神经网络和双权值神经网络,并用多个标准数据集对程序进行测试,结果表明在大多数情况下,超香肠神经网络和双权值神经网络的识别结果在一定程度上优于传统模式识别中的BP(误差反向传播)网络和RBF(径向基)网络。最后将本文仿生模式识别算法应用于旋转机械故障诊断中,并将诊断过程和结果与传统人工神经网络(BP神经网络和RBF神经网络)进行对比分析,结果表明仿生模式识别在旋转机械故障诊断中是一种可行并且高效的诊断方法。同时,本文还探究了故障数据在不同缺失率下,各种填补方法对仿生模式识别诊断结果的影响,为实际应用中不完备故障数据填补方法的选择提供一定的参考。(本文来源于《西安工业大学》期刊2016-05-18）
胡俊[3]（2016）在《面向仿生假手的表面肌电信号检测与模式识别研究》一文中研究指出表面肌电信号(Surface electromyography signal,sEMG)是在肌肉活动过程中形成的一种电生理信号。在表面肌电信号领域,表面肌电信号的分解以及基于表面肌电的人体动作的识别是一大研究焦点。通过研究,争取为人类创造一种更方便、自然、简单、有效、迅速的人机交互方式,这对于手语识别、游戏娱乐产品、假肢控制、作战指挥、移动设备操控、运动电子产品等行业而言,意义深远。在多功能假肢控制领域中,表面肌电信号模式的识别是一种基础性问题。论文针对模式分类手段以及EMG信号特征的提取展开具体地探索与分析。EMG信号主要来源于位于前臂四块不同肌肉组织的表面电极,选取改进的支持向量机作为模式识别的方法,识别不同手势动作,涵盖了预处理、信号采集以及手部动作识别这叁部分工作内容。本论文首先对比分析研究了频域特征、时域特征以及小波特征等诸多肌电信号特征识别手段,对小波包函数的能量特征值进行降维处理,将所得结果作为最优特征向量。在模式识别方面,先从众多识别分类器中选出最小二乘支持向量机与标准支持向量机两种,然后在此分类器内输入获取到的特征向量,经过分析处理之后,以不同手势动作产生的不同表面肌电信号手为识别对象,进行分类处理。在分类器寻优过程中,引入遗传算法和粒子群算法进行对比实验,对训练时间及动作识别的正确率进行分析后发现,对于文中四种手部动作识别方式,基于粒子群参数寻优下的最小二乘支持向量机模式识别具有更短的运算时间和更高的识别率。(本文来源于《沈阳工业大学》期刊2016-03-04）
韩建春[4]（2016）在《基于仿生模式识别的目标跟踪算法的研究》一文中研究指出计算机视觉是通过计算机模拟来代替人类大脑对周围的环境进行感知和理解,计算机视觉中的目标跟踪是其中的一个非常重要的研究方向,在实际生活中有着重要的应用,已经被广泛应用到智能监控、汽车导航、医学影像分析等工程中。仿生模式识别以―认识‖事物为主,在高维空间中通过多权值神经网络对样本进行覆盖,为目标跟踪提供了新的方法。通过研究仿生模式识别理论、同源连续性原理、多权值神经网络、传统的仿生模式识别目标跟踪算法,结合实际应用,针对传统仿生模式识别目标跟踪算法只利用训练样本的灰度特征的缺点,提出了融合图像HOG特征和SIFT特征的仿生模式识别目标跟踪算法,在灰度特征中分别加入HOG和SIFT特征,利用HOG和SIFT特征的特性可有效抵抗光照和形变的影响。通过理论分析和实验对比,验证了本文算法相比传统算法更加精确和稳定。鉴于离线学习固定的仿生神经网络在其覆盖范围之外的泛化能力弱,我们研究了在线学习算法,并将其应用到融合图像HOG和SIFT特征的仿生模式识别目标跟踪算法中。利用预测方式扩展得到训练样本集,解决了离线模式下需要挑选大量训练样本的缺点,构建超香肠神经网络来覆盖,通过最小距离分类器判断目标位置,目标发生形变时可以实时地更新网络。通过实验验证了该算法能够在实际多种复杂情况下稳定而精确地跟踪到目标。(本文来源于《西安电子科技大学》期刊2016-03-01）
陈阳,覃鸿,李卫军,周新奇,董肖莉[5]（2016）在《仿生模式识别技术研究与应用进展》一文中研究指出回顾了仿生模式识别与传统模式识别的本质区别,与传统模式识别"分类划分"思想不同,仿生模式识别把模式识别问题看成是各类样本的"认识",并将"同源连续性"规律作为先验知识,用高维空间几何形体覆盖方法实现对同类事物的学习,因此克服了传统模式识别的缺点。其有效性逐渐受到学者的广泛关注。分析总结了目前已有的仿生模式识别方法的研究和应用,方法研究包括样本点分布的拓扑分析、覆盖算法和重迭空间中样本的归属;应用研究方面包括目标识别、生物特征识别、文本识别、近红外光谱定性分析等。分析表明仿生模式识别是创新、有效的模式识别方法。最后指出同类样本点分布流形的分析方法和高维空间拓扑理论与算法研究等是仿生模式识别未来重要的发展方向。(本文来源于《智能系统学报》期刊2016年01期）
胡凯旋,刘利强,李昌陵,车传强,吕超[6]（2016）在《基于仿生模式识别的GIS局部放电类型辨识》一文中研究指出为实现气体绝缘组合电器(GIS)局部放电检测和故障识别,设计了GIS典型缺陷模型,使用超高频法检测放电信号,并提取特征参数。利用主成分分析法对特征参数进行降维处理,引入仿生模式识别算法进行辨识,提出一种改变连通方向的方法,提高了算法的辨识率,分析了连通方向改变前后样本的辨识率,以及未训练样本类型的错分率。结果表明,基于仿生模式识别的GIS局部放电类型辨识率能达到满意的效果。(本文来源于《高压电器》期刊2016年02期）
徐卓君[7]（2015）在《基于多源信息的智能仿生手臂模式识别方法研究》一文中研究指出在人体前臂肌肉的表面肌电信号模式识别研究中，首要任务是给出能够识别日常生活常用动作及情感表达手势的模式识别方法。除此之外，为智能仿生手臂的控制模块提供更多的动作细节信息，如手指关节角、握力等，能够帮助其更好的完成日常生活动作，提高设备的拟人化程度。针对以上设想，本文提出将加速信号及握力信号等其他与描述动作有关的多源信号，与表面肌电信号融合，在模式识别的训练阶段帮助生成更为准确的分类策略，希望对智能仿生手臂的模式识别模块的开发能够起到推动作用。为了实现基于多源信息的智能仿生手臂模式识别研究，从表面肌电信号中提取更多能够用于智能仿生手臂仿生化控制的运动细节信息，本文主要进行了下面几个方面的研究：提出了一种融合双路信号特征的模特征提取算法。在表面肌电信号的手势动作模式识别中，一些识别率的损失是由于信号采集过程中信道顺序颠倒造成的。为了解决这一问题，本文基于复数的概念提出了综合双路信号特征的模特征提取算法，该算法将独立的双路特征作为复数的实部和虚部，计算双路特征的模值作为信号的模特征。该模值能够综合反映双路信号特征，同时对信道顺序不敏感，鲁棒性强。针对表面肌电信号样本标注代价大的问题，本文提出在仅有少量已标注样本的实验条件下采用安全半监督支持向量机的方法进行表面肌电信号模式识别的方法，该方法尝试发掘多个大阈值低密度分类器空间，从而保证半监督学习质量，与有监督学习相比不会出现表现退化的现象，同时保留半监督学习的优势，发掘更多的未标注样本参与到分类中来，最终提高分类的精确度。通过实验结果表明，本文提出的基于模特征的半监督模式识别方法适用于仅有少量已标注样本的实验条件下的鲁棒表面肌电信号模式识别。提出了融合关节角信息的类活动段检测方法。在表面肌电信号-关节角模式识别实验中，采用与手势动作表面肌电信号模式识别的活动段检测方法来处理对应关节角标签的信号分段问题已经不能达到实验要求。针对这一问题，本文提出了一种类活动段检测方法，方法通过融合加速信号帮助准确找到对应关节角标签的表面肌电信号活动段，为神经网络提供更为准确的训练数据，从而提高神经网络的识别效果。实验结果表明，本文提出的类活动段检测方法能够达到理想的信号分段效果，经该活动段分段数据训练的神经网络能够实现较高的识别率。提出了新的表面肌电信号仿生特征提取方法。基于人体上臂肌肉力变化过程分析，本文提出基于窗样本熵和窗峰度值两类特征提取方法，通过建立连续不重迭时间窗的方法，跟踪提取每一时间段的信号特征，从仿生角度让信号特征追随人体肌肉力变化过程的时变特性，衡量表面肌电信号的复杂度及概率密度分布情况，模拟接受大脑指令后不同肌肉力下运动神经元的募集情况，更加直观的体现人脑对产生肌肉力大小的指令意图。针对智能仿生手臂佩戴者的残疾上肢无法提供神经网络训练中完整的输入输出数据的问题，提出采用对侧信号训练的神经网络预测输出肌肉力的实验方案，实验中将左手表面肌电信号输入通过右手实验数据训练好的神经网络中预测左手的输出肌肉力。实验结果表明，本文提出的考虑肌肉力运动特性的表面肌电信号模式识别方法能够实现表面肌电信号-肌肉力的模式识别。建立了具有16个自由度的智能仿生手虚拟样机模型。本文在ADAMS软件中建立了智能仿生手虚拟样机模型，通过运动学仿真实验验证了模型设计的合理性。为了更好的实现智能仿生手虚拟样机模型对模式识别算法和控制算法的调试，本文提出通过ADAMS和MATLAB联合仿真来进行智能仿生手臂虚拟在线仿真的实验方案，实验将智能仿生手臂中应具备的信号采集功能、信号处理功能、模式识别功能及动作控制功能相结合，通过虚拟在线的形式进了完整的在线控制智能仿生手虚拟样机模型的实验。模型按照联合仿真中的模式识别模块对表面肌电信号的识别结果设计控制目标量，通过在SIMULINK中搭建的PID控制系统对模型进行控制完成简单的抓取动作。实验结果证明本文提出的智能仿生手虚拟样机模型在控制算法设计合理、模式识别结果准确的前提下，能够较好的完成在线识别、实现拟人化手部动作。最后，总结了全文所做的工作，提出了今后进一步需要研究的问题。(本文来源于《吉林大学》期刊2015-06-01）
宋小瑛[8]（2015）在《基于模式识别方法的仿生灵巧手肌电控制系统设计及仿真》一文中研究指出利用人体肌电信号实现智能仿生灵巧手的控制,不仅可以促进残疾人事业的发展,在康复医学和微创外科手术领域也具有重要的应用价值。现有的智能仿生灵巧手肌电控制方式主要有:基于阈值决策、基于幅值编码、分层控制决策和基于模式识别四种,基于模式识别方法的仿生灵巧手肌电控制包括肌电信号的特征提取和特征分类两个主要方面。本文围绕仿生灵巧手肌电控制系统的设计,从基于前臂表面肌电信号的人手8动作状态信号处理和模式识别、智能仿生灵巧手肌电控制系统算法及仿生灵巧手肌电控制系统仿真叁方面展开研究。第一,对灵巧手、表面肌电信号、灵巧手肌电控制系统和虚拟现实技术的发展及研究现状进行了详细的综述。第二,详细地分析了肌电信号的特点、产生机理、采集方式及特征提取和分类方法,设计了8动作状态模式识别实验。应用高性能无线表面肌电信号采集系统采集人体前臂6路表面肌电信号;设计时域自回归(TD-AR)模型求取原始表面肌电信号样本数据的平均绝对值循环比特征和各通道1-4阶AR系数特征;采用主元素分析法实现了特征值矩阵的降维处理,综合变量的累计贡献率为99%;应用MATLAB中的net=newpnn(P,T,SPREAD)函数建立概率神经网络,实现了8动作状态模式识别。第叁,建立了基于高精度肌肉骨骼仿真软件的虚拟仿生灵巧手模型,实现了基于Simulink仿真系统的虚拟仿生灵巧手肌电控制。本文在8动作状态信号处理及模式识别方法上的优势在于:TD-AR特征值提取模型的设计,充分利用了时域特征分析方法计算简单、获取迅速的优点,弥补了其提取特征值稳定性差不能充分利用表面肌电信号信号谱信息的缺点;基于概率神经网络的手势识别模型具有网络结构简单、稳定、收敛速度快、训练时间短及容错性强等优势,本文中5位实验对象各自完成8个手势动作状态的平均识别率为92.2%。虚拟仿生灵巧手肌电控制系统的创新点在于:采用一种新型的肌肉骨骼仿真软件建立了Shadow Hand灵巧手虚拟交互控制模型。将实验对象的前臂6路表面肌电信号作为识别器输入信号,通过有限状态机控制模型驱动虚拟仿生灵巧手,实现了虚拟仿生灵巧手的肌电控制。该研究为仿生灵巧手控制系统提供了全新的控制算法及仿真系统,对医疗机器人、智能假肢以及新型人机交互系统具有重要应用价值和指导意义。(本文来源于《南华大学》期刊2015-05-01）
高芬[9]（2015）在《基于局部模型和仿生模式识别的目标跟踪方法研究》一文中研究指出目标跟踪是计算机视觉领域内的一个重要课题,它以跟踪目标物体在视频每一帧中所呈现出的外观和运动状态的变化为主要目的,目前得到了国内外学者的广泛关注,并且被应用到智能监控、医学图像、车辆导航等工程中。本文对目标跟踪方法进行了总结,重点分析了它的技术要点和评价标准。仿生模式识别是一种类似人的“认识”的模式识别方法,它是通过对高维空间中样本进行“覆盖”而不是“划分”来识别目标的,多权值神经网络是它的实现方法。本文在此基础上,取得的主要研究成果为：1.目标跟踪中的训练样本是按时间采样得到的,有时背景中存在的伪目标会干扰真实目标的获取,为此本文提出了多权值神经网络的改进方法,即基于距离的多权值神经网络。考虑当前帧中目标与训练样本集之间的关系,我们引入距离权值,实验表明该方法可以有效减少伪目标的干扰。2.局部模型近年来与一些经典方法相结合,用于处理遮挡、形态和光照变化下的目标跟踪问题,本文将局部模型与仿生模式识别相结合,提出了分块仿生模式识别目标跟踪方法,该方法是把训练样本集进行分块,得到多组分块样本集进行神经网络训练,候选区域通过这些神经网络后,每组分块会得到与它最相近的跟踪结果,从这些分块跟踪结果中按照一定的规则可以确定最终的目标位置,实验表明该方法具有良好的抗遮挡性。3.图像距离度量方法对于图像处理、模式识别等领域有重要作用,识别候选样本是否属于跟踪目标需要计算候选样本到训练样本集构造的拓扑覆盖集的距离,这个距离一般采用欧式距离来度量,但是,欧式距离不能对辨识性信息进行编码,本文提出了局部标准欧式距离,对半径内的局部图像进行处理,实验表明该距离度量方法可以有效降低遮挡的影响。(本文来源于《西安电子科技大学》期刊2015-03-01）
李丽,殷业,崔晓静[10]（2015）在《基于超球覆盖仿生模式识别的指纹点名系统》一文中研究指出超球覆盖仿生模式识别方法具有识别速度快、误识率低、易于实现等特点,特别适合于一些实用性较强的应用领域使用.研究了一种基于超球串覆盖的仿生模式识别方法,并应用于指纹点名系统.在对实际教学需求分析的基础上,设计了完整的指纹点名系统软硬件,通过指纹传感器对指纹数据进行采集、预处理、用超球串覆盖算法对指纹图像进行了识别,在嵌入式系统STM32中实现了指纹注册、班级选择、指纹签到、签到次数记录等功能,实验结果显示系统达到预期的效果,解决了课堂实时点名问题.超球串覆盖仿生模式识别方法适用于众多应用领域,通过示例,可以举一反叁,将方法复制到其他应用场合.(本文来源于《上海师范大学学报(自然科学版)》期刊2015年01期）
仿生模式识别论文开题报告
（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：
旋转机械故障诊断技术已在国内外得到了非常高的重视,虽然各种诊断方法都得到广泛的发展并且成果丰硕,但是鲜少有人考虑到故障信号的不完备性,而事实上,此类情况在实际应用中经常遇到,所以本文在充分考虑故障信号的不完备性的基础上,将目前受到广泛重视的仿生模式识别引用到机械故障诊断中,为机械故障诊断技术的发展指出一个新的解决问题的方案。论文首先分别采用回归填补法、EM(最大期望)填补法,以及基于马尔科夫蒙特卡罗的多重填补法处理不完备数据,分析各种填补法对不完备数据模式识别效果的影响。然后探究仿生模式识别的原理,编写了仿生模式识别的两种神经网络实现程序——超香肠神经网络和双权值神经网络,并用多个标准数据集对程序进行测试,结果表明在大多数情况下,超香肠神经网络和双权值神经网络的识别结果在一定程度上优于传统模式识别中的BP(误差反向传播)网络和RBF(径向基)网络。最后将本文仿生模式识别算法应用于旋转机械故障诊断中,并将诊断过程和结果与传统人工神经网络(BP神经网络和RBF神经网络)进行对比分析,结果表明仿生模式识别在旋转机械故障诊断中是一种可行并且高效的诊断方法。同时,本文还探究了故障数据在不同缺失率下,各种填补方法对仿生模式识别诊断结果的影响,为实际应用中不完备故障数据填补方法的选择提供一定的参考。
（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。
仿生模式识别论文参考文献
[1].李静森.基于仿生模式识别的构造型神经网络分类方法分析[J].电子技术与软件工程.2018
[2].郭玉.基于仿生模式识别的机械故障诊断方法研究[D].西安工业大学.2016
[3].胡俊.面向仿生假手的表面肌电信号检测与模式识别研究[D].沈阳工业大学.2016
[4].韩建春.基于仿生模式识别的目标跟踪算法的研究[D].西安电子科技大学.2016
[5].陈阳,覃鸿,李卫军,周新奇,董肖莉.仿生模式识别技术研究与应用进展[J].智能系统学报.2016
[6].胡凯旋,刘利强,李昌陵,车传强,吕超.基于仿生模式识别的GIS局部放电类型辨识[J].高压电器.2016
[7].徐卓君.基于多源信息的智能仿生手臂模式识别方法研究[D].吉林大学.2015
[8].宋小瑛.基于模式识别方法的仿生灵巧手肌电控制系统设计及仿真[D].南华大学.2015
[9].高芬.基于局部模型和仿生模式识别的目标跟踪方法研究[D].西安电子科技大学.2015
[10].李丽,殷业,崔晓静.基于超球覆盖仿生模式识别的指纹点名系统[J].上海师范大学学报(自然科学版).2015
论文知识图
