一种基于迁移Softmax回归的癫痫状态识别方法.pdf
永香****能手
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
一种基于迁移Softmax回归的癫痫状态识别方法.pdf
本发明提供一种基于迁移Softmax回归的癫痫状态识别方法,通过源域和目标域之间的知识迁移,使得目标域脑电信号分布向源域靠近,以此提升模型在目标域数据上的识别效果,有效提升了癫痫发作检测的可靠性,具体包括以下步骤:步骤S1,利用滑动窗口对源域原始脑电信号和目标域原始脑电信号进行分段;步骤S2,利用四层小波包分解提取滑动窗口内的小波包分解系数,并构建特征向量;步骤S3,对特征向量进行联合概率分布调整从而进行源域和目标域之间的知识迁移,同时在该知识迁移过程中完成分类器的训练;步骤S4,由分类器输出目标域原始脑
基于知识图谱和Softmax回归的干扰信号识别方法.pdf
本发明具体涉及一种基于知识图谱和Softmax回归的干扰信号识别方法,通过构建包含与干扰信号识别相关的知识图谱,将各种干扰类型的知识图谱嵌入到低维向量空间中,既保留了知识图谱中所蕴含的知识又将知识图谱中的实体和关系转换成了向量,并将此知识图谱作为先验知识为Softmax回归方法提供辅助信息,使模型训练速度更快,所需样本数量更少,并进一步提高了低干信比下干扰信号的识别性能。
一种基于目标相似度分布调整的癫痫状态识别方法.pdf
本发明提供一种基于目标相似度分布调整的癫痫状态识别方法,其特征在于,包括以下步骤:步骤S1,通过神经网络根据脑电信号提取相应的512维的特征向量;步骤S2,根据提取的特征向量,通过相似度计算,构建正样本对和负样本对的相似度分布;步骤S3,步进设置目标相似度分布,通过KL散度约束正样本对分布和负样本对分布;步骤S4,当正样本对分布和负样本对分布均值达到对应的目标分布时,将正样本对和负样本对的相似度分布向相反方向拉开;步骤S5,重复步骤S4,直到目标分布不再更新,得到训练完成的神经网络;步骤S6,通过训练完成
基于特征选择与迁移学习的语音抑郁状态识别方法.pdf
本发明提供一种基于特征选择与迁移学习的语音抑郁状态识别方法,针对基于语音进行建模时特征维度较高、特征分布受被试除抑郁水平外的个体差异影响两个问题,提出融合Lasso和迁移学习方法CORAL的语音抑郁状态识别方法。其优势在于1.Lasso过滤特征中的冗余信息,保留有效特征,在提升模型效率的基础上进一步提升识别精度;2.迁移学习方法CORAL在不泄漏抑郁标签信息的前提下,拉近训练集与测试集的特征分布,减小特征分布受抑郁水平外其他因素的影响。两种方法相结合能进一步提高抑郁筛查的准确性和稳定性。
一种基于动作-状态联合学习的车辆尾灯状态识别方法.pdf
本发明提供一种基于动作?状态联合学习的车辆尾灯状态识别方法,首先基于真实交通场景中得到的车辆跟踪序列获取连续的跟踪片段数据,采用基于注意力模型的CNN?LSTM网络来识别各跟踪片段数据内隐含的5类尾灯动作特征:不变、踩刹车、松刹车、左转、右转;然后,基于尾灯语义分割获取各跟踪片段对应的高位刹车灯平均亮度特征,并与尾灯动作特征形成高阶特征;最后,构造线性链条件随机场模型,通过分析高阶特征建立连续片段之间的长期依赖,推断出各时刻连续的尾灯状态:无动作、制动、左转、右转;因此,本发明能够在不同的实际复杂交通场景