-
公开(公告)号：CN108319928B
公开(公告)日：2022-04-19
申请号：CN201810169310.4
申请日：2018-02-28
申请人： 天津大学
摘要： 一种基于多目标微粒群算法优化的深度学习模型：采集脑电信号，对采集的脑电信号进行预处理，得到信号为p维的p通道脑电信数据样本集；将p维脑电信数据样本归一化后作为深度学习模型即卷积神经网络的一个数据输入，将对应想象的指令类别作为卷积神经网络末层的输出；建立初步的卷积神经网络；使用多目标微粒群优化算法优化调整初步的卷积神经网络，得到深度学习模型；使用多目标微粒群优化算法实现多目标运动辅助。本发明利用多目标微粒群优化算法解决了人工对深度学习模型进行调整可能出现的局部最优、效率底下、需要先验知识等问题。构建的深度学习模型其输出可以作为控制机械臂或外骨骼等多种设备的信号。
-
公开(公告)号：CN106388814B
公开(公告)日：2019-06-18
申请号：CN201610887682.1
申请日：2016-10-11
申请人： 天津大学
IPC分类号： A61B5/0476
摘要： 一种基于自适应最优核时频分布可视图的癫痫脑电信号识别法，包括：获得原始脑电数据，计算预处理后的脑电信号的自适应最优核时频分布；进行癫痫状态的分类：对于每一个得到的时间能量序列，进行可视化分析，得到能量时间序列可视图复杂网络，提取获得能量时间序列可视图复杂网络的特征指标，提取自适应最优核时频分布指标，结合支持向量机分类癫痫EEG信号。本发明的基于最优核时频分布可视图的癫痫脑电信号识别方法，结合自适应最优核时频分布理论与可视图思想构建能量时间序列可视图复杂网络，提取复杂网络指标，实现对癫痫脑电信号的识别。
-
公开(公告)号：CN106650929B
公开(公告)日：2019-02-26
申请号：CN201610888490.2
申请日：2016-10-11
申请人： 天津大学
摘要： 一种基于递归图的深度学习模型及在油水相含率测量中的应用，基于四扇区分布式电导传感器数据构建递归图：对于四扇区分布式电导传感器的每一通道数据视作一元时间序列，对一元时间序列进行相空间重构，得到向量序列；对于向量序列定义递归图；深度学习模型训练：将递归图，一维化，使用贪婪的逐层训练算法，对深度置信网络训练得到生成模型参数，训练得到受限玻尔兹曼机参数；以受限玻尔兹曼机参数为初始值，用来重置深度神经网络的初始权重最终得到可以用于准确分类的神经网络参数。采用四扇区分布式电导传感器进行垂直油水两相流实验，固定油相和水相的配比，改变油相和水相的流量进行实验。本发明能够得到一个基于递归图的深度学习模型。
-
公开(公告)号：CN106510619A
公开(公告)日：2017-03-22
申请号：CN201610888617.0
申请日：2016-10-11
申请人： 天津大学
IPC分类号： A61B5/00 , A61B5/0402
摘要： 基于复杂网络的心电信号分析方法及在智能穿戴上的应用：构建时间窗有限穿越可视图复杂网络，并提取网络特征指标：获得长度为Q的心电信号，对心电信号进行时间窗划分，从而获得N组长度为M的时间窗心电信号；对于每一个获得的时间窗心电信号构建有限穿越可视图复杂网络；计算每一个时间窗有限穿越可视图复杂网络的特征指标；结合单因素方差分析和T检验检验不同类型心电信号的时间窗有限穿越可视图复杂网络在同一指标下的显著性差异。本发明应用于智能穿戴设备，实现对使用者心脏状态的实时监测，并可提供必要的预警。本发明实现对健康心电信号与患病心电信号准确辨识以及不同类型心脏病的区分，在心脏疾病分析及心脏疾病发作远程报警方面有很大的应用潜力。
-
公开(公告)号：CN106482784A
公开(公告)日：2017-03-08
申请号：CN201610887681.7
申请日：2016-10-11
申请人： 天津大学
IPC分类号： G01D21/02
CPC分类号： G01D21/02
摘要： 一种基于网格传感器的两相流空间复杂网络可视化分析方法，通过Wire-Mesh传感器的多通道数据构建空间加权复杂网络，从网络节点权值和网络社团拓扑结构两个角度分别对垂直气液两相流流动过程进行可视化分析，并融合两种可视化结果，进而获取两相流流动过程中泡径大小、油泡分布以及流动特性等信息。其中Wire-Mesh传感器由两层各16根直径为0.12mm的不锈钢线构成，它们平均分布在管径为50mm的管道截面中，两层不锈钢线的轴向距离为1.5mm，两层不锈钢线交错成90°角。本发明主要应用于两相流可视化分析。
-
公开(公告)号：CN106485325A
公开(公告)日：2017-03-08
申请号：CN201610889357.9
申请日：2016-10-11
申请人： 天津大学
CPC分类号： G06N3/084 , G06K9/6288 , G06N3/08
摘要： 一种基于复杂网络和深度学习的两相流多元信息融合法及应用：针对循环激励双模态传感器得到的多通道时间序列分别构建复杂网络；对于循环激励双模态传感器得到的每一个多通道时间序列分别建立加权相关系数复杂网络和无权相关系数复杂网络，得到网络指标，将所述的网络指标组合成一个特征向量；深度学习模型训练与相含率测量，得到一个能够实现双模态多元信息融合的深度学习模型。采用由循环激励多电极电导传感器和循环激励多电极电容传感器组成的循环激励双模态传感器进行垂直油水两相流实验，固定油相和水相的配比，改变油相和水相的流量进行实验。本发明可实现对两相流相含率的测量。
-
公开(公告)号：CN106446441A
公开(公告)日：2017-02-22
申请号：CN201610889170.9
申请日：2016-10-11
申请人： 天津大学
IPC分类号： G06F17/50
摘要： 一种基于多尺度加权递归网络的两相流网络可视化方法及应用：对通过双层循环激励电导传感器得到的多通道信号进行多尺度变换；在每一个尺度因子下构建多尺度加权递归网络；通过对所有尺度下的多通道信号重复上述的过程，得到多尺度加权递归网络；选取阈值，若交叉递归率大于所述阈值，则网络中的两节点之间有连边，否则无连边，得到多尺度无权递归网络；用基于贪婪优化策略的鲁文算法探寻多尺度无权递归网络的社团结构；通过对社团结构的探寻，揭示两相流流动结构特征，实现对复杂流动结构的网络可视化。采用双层循环激励电导传感器进行垂直油水两相流实验，并固定油相和水相的配比，改变油相和水相的流量进行实验。本发明能够实现对两相流流动结构的网络可视化。
-
公开(公告)号：CN108364062B
公开(公告)日：2021-10-22
申请号：CN201810168241.5
申请日：2018-02-28
申请人： 天津大学
IPC分类号： G06N3/04
摘要： 一种基于MEMD的深度学习模型构建方法：对从脑控设备测得的多通道脑电信号进行带通滤波，得到p维脑电信号，对p维脑电信号以2秒为单位进行信号分割，得到多个信号样本，对每个信号样本分别进行多元经验模态分解；针对每个信号样本所得到的本征模函数分量数n不相同，令n的最小值为c，保留前c个本征模函数；对于每个信号样本，将经由多元经验模态分解得到的c个本征模函数加上数据序列X(t)的趋势Rn堆叠在一起，得到大小为q×p×(c+1)的三维数据样本，作为深度学习模型的输入；构建应用在运动想象中的深度学习模型。本发明具有深度学习模型中高计算效率的优点。输出指令可控制机械臂等设备的运动，优秀的实时性使其具有很强的应用潜力。
-
公开(公告)号：CN106644375B
公开(公告)日：2018-12-28
申请号：CN201610888616.6
申请日：2016-10-11
申请人： 天津大学
IPC分类号： G01M10/00
摘要： 一种基于小波多分辨率双层复杂网络的多源信息融合法及应用：对通过由循环激励多电极电导传感器和循环激励多电极电容传感器组成的循环激励双模态传感器得到的多通道时间序列分别构建小波系数复杂网络；构建小波多分辨率聚合网络，并分别绘制包含有流型信息的图能量和交叉聚集系数熵与分辨率的关系图；构建小波双层复杂网络，并分别绘制包含有流型信息的每层网络中的节点聚集系数的均值、节点度的均值和节点特征向量中心性的均值与分辨率的关系图。采用由循环激励多电极电导传感器和循环激励多电极电容传感器组成的循环激励双模态传感器进行垂直油水两相流实验；固定油相和水相的配比，改变油相和水相的流量进行实验。本发明实现对复杂流动结构的辨识。
-
公开(公告)号：CN106503800B
公开(公告)日：2018-11-30
申请号：CN201610888124.7
申请日：2016-10-11
申请人： 天津大学
摘要： 一种基于复杂网络的深度学习模型及在测量信号分析中的应用：设定对于测量信号通过可视图的方法构建复杂网络的原理，建立可视图复杂网络；对于每一通道测量信号采用可视图的方法建立复杂网络，对于每一个网络，提取以下指标：节点聚集系数、节点度、节点介数、节点接近中心度和节点特征向量中心性；建立深度学习模型。采用循环激励电导传感器进行垂直油水两相流实验获取测量信号；固定油相和水相的配比，改变油相和水相的流量进行实验。本发明通过对测量信号构建复杂网络，用复杂网络的大量指标组成样本，作为深度学习模型的输入，通过逐层优化的机制，有监督学习和无监督学习相结合，得到深度学习模型，该模型可用于对未知类别的测量信号的预测与分类。
-
-
-
-
-
-
-
-
-
搜索结果
28 条记录 (耗时 0.02 秒)
