删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

稀疏多小波时变系统辨识及脑电信号时频分析*

本站小编 Free考研考试/2021-12-25

婵犵數濮烽弫鎼佸磻閻愬搫鍨傞柛顐f礀缁犱即鏌熺紒銏犳灈缁炬儳顭烽弻鐔煎礈瑜忕敮娑㈡煟閹惧鈽夋い顓炴健閹虫粌顕ュΔ濠侀偗闁诡喗锕㈤幃鈺冪磼濡厧甯鹃梻浣稿閸嬪懐鎹㈤崟顖氭槬闁挎繂顦伴悡娆戔偓瑙勬礀濞层倝鍩㈤崼鈶╁亾鐟欏嫭绀冪紒顔肩Ч楠炲繘宕ㄩ弶鎴炲祶濡炪倖鎸鹃崰鎰邦敊韫囨稒鈷掗柛灞捐壘閳ь剙鍢查湁闁搞儺鐏涘☉銏犵妞ゆ劑鍊栧▓鎯ь渻閵堝棗鍧婇柛瀣尰閵囧嫰顢曢敐鍥╃杽婵犵鍓濋幃鍌炲春閳╁啯濯撮柧蹇曟嚀楠炩偓婵犵绱曢崑鎴﹀磹閺嶎厽鍋嬫俊銈呮噺閸嬶繝鏌曢崼婵囩┛濠殿喗濞婇弻鈩冨緞婵犲嫭鐨戝┑鈩冨絻閻楁捇寮婚敓鐘茬闁挎繂鎳嶆竟鏇熺節閻㈤潧袨闁搞劍妞介弫鍐閻樺灚娈鹃梺鍛婄箓鐎氼噣寮抽崱娑欑厱闁哄洢鍔屾晶顔界箾閸繄鐒告慨濠冩そ瀹曘劍绻濋崒姣挎洘绻涚€涙ḿ鐭岄柛瀣ㄥ€曢悾宄懊洪鍕紜闂佸搫鍊堕崕鏌ワ綖瀹ュ鈷戦悷娆忓閸斻倝鏌f幊閸斿孩绂嶉幖渚囨晝闁靛牆娲ㄩ敍婊冣攽鎺抽崐鏇㈠疮椤愶箑鍑犻柡鍐ㄧ墛閻撴瑥顪冪€n亪顎楅柍璇茬墛椤ㄣ儵鎮欓弶鎴犱紝濡ょ姷鍋涘ú顓€€佸▎鎾充紶闁告洦浜i崺鍛存⒒閸屾艾鈧绮堟笟鈧獮鏍敃閿曗偓绾惧湱鎲搁悧鍫濈瑲闁稿绻濆鍫曞醇濮橆厽鐝曞銈庡亝濞茬喖寮婚妸鈺傚亞闁稿本绋戦锟�
2婵犵數濮烽弫鎼佸磻閻愬搫鍨傞柛顐f礀缁犳壆绱掔€n偓绱╂繛宸簻鎯熼梺鍐叉惈椤戝洨绮欒箛娑欌拺闁革富鍘奸崝瀣亜閵娿儲顥㈢€规洜鏁婚崺鈧い鎺戝閳锋垿鏌涘☉姗堝伐濠殿噯绠戦湁婵犲﹤鎳庢禒杈┾偓瑙勬礃濡炰粙寮幘缁樺亹鐎规洖娲ら獮妤呮⒒娓氣偓濞佳呮崲閸儱纾归柡宓偓濡插牏鎲搁弮鍫濊摕闁挎繂顦悞娲煕閹板吀绨奸柛锝庡幘缁辨挻鎷呴崜鎻掑壈闂佹寧娲︽禍顏勵嚕椤愶箑纾奸柣鎰綑濞堟劙姊洪崘鍙夋儓闁哥姵鑹惧嵄闁告鍋愰弨浠嬫煃閽樺顥滃ù婊呭仜椤儻顦虫い銊ワ躬瀵偆鈧綆鍓涚壕钘壝归敐澶嬫锭濠殿喖鍊搁湁婵犲﹤妫楅悡鎰庨崶褝鍔熼柍褜鍓氱粙鎺曟懌婵犳鍨伴顓犳閹烘垟妲堟慨妤€妫楅崜杈╃磽閸屾氨孝闁挎洏鍎茬粚杈ㄧ節閸ヨ埖鏅濋梺闈涚墕閹峰寮抽銏♀拺闁告捁灏欓崢娑㈡煕閵娿儳鍩g€规洘妞介崺鈧い鎺嶉檷娴滄粓鏌熸潏鍓хɑ缁绢叀鍩栭妵鍕晜閼测晝鏆ら梺鍝勬湰缁嬫垿鍩㈡惔銈囩杸闁哄洨濯崬鍦磽閸屾瑧绐旂紓鍌涜壘铻為柛鏇ㄥ枤娴滄瑩姊绘担鍛婂暈婵炶绠撳畷銏c亹閹烘垹锛涢梺鍦劋椤ㄥ棝鍩涢幋锔界厱婵犻潧妫楅鈺呮煃瑜滈崜娆戠礊婵犲洤绠栭梺鍨儐缂嶅洭鏌嶉崫鍕簽婵炶偐鍠庨埞鎴︻敊鐟欐帞鎳撻埢鏂库槈閵忊€冲壒濠德板€愰崑鎾绘煃鐟欏嫬鐏撮柟顔规櫊楠炴捇骞掗崱妞惧闂佸綊妫跨粈渚€鏌ㄩ妶鍛斀闁绘ɑ褰冮弸銈嗙箾閸粎鐭欓柡宀嬬秮楠炲洭顢楁担鍙夌亞闂備焦鎮堕崐妤呭窗閹邦喗宕叉繝闈涱儏閻掑灚銇勯幒鎴濐仼闁绘帗妞介弻娑㈠箛椤栨稓銆婇梺娲诲幗椤ㄥ懘鍩為幋锔绘晩缂佹稑顑嗛悾鍫曟⒑缂佹﹩娈旂紒缁樺笧閸掓帡宕奸悢椋庣獮闁诲函缍嗛崜娑㈩敊閺囥垺鈷戦柣鐔煎亰閸ょ喎鈹戦鐐毈鐎殿喗濞婇崺锟犲磼濠婂拋鍟庨梺鑽ゅТ濞壯囧礋椤愵偂绱�547闂傚倸鍊搁崐椋庣矆娴i潻鑰块梺顒€绉查埀顒€鍊圭粋鎺斺偓锝庝簽閿涙盯姊洪悷鏉库挃缂侇噮鍨堕崺娑㈠箳濡や胶鍘遍梺鍝勬处椤ㄥ棗鈻嶉崨瀛樼厽闊浄绲奸柇顖炴煛瀹€瀣埌閾绘牠鎮楅敐搴′簻妞ゅ骏鎷�4婵犵數濮烽弫鎼佸磻閻愬搫鍨傞柛顐f礀缁犳壆绱掔€n偓绱╂繛宸簼閺呮煡鏌涢妷銏℃珖妞わ富鍨跺娲偡闁箑娈堕梺绋款儑閸犳牠宕洪姀銈呯睄闁逞屽墴婵$敻宕熼鍓ф澑闂佽鍎抽顓⑺囬柆宥嗏拺缂佸顑欓崕鎰版煙閻熺増鎼愰柣锝呭槻椤粓鍩€椤掑嫨鈧線寮崼婵嗚€垮┑掳鍊曢崯顐︾嵁閹扮増鈷掗柛灞剧懅椤︼箓鏌涘顒夊剰妞ゎ厼鐏濋~婊堝焵椤掆偓閻g兘顢涢悜鍡樻櫇闂侀潧绻堥崹鍝勨枔妤e啯鈷戦梻鍫熶緱濡狙冣攽閳ヨ櫕鍠橀柛鈹垮灲瀵噣宕奸悢鍝勫箥闂備胶顢婇~澶愬礉閺囥垺鍎嶆繛宸簼閻撶喖鏌i弮鍫熸暠閻犳劧绱曠槐鎺撴綇閵娿儳鐟查悗鍨緲鐎氼噣鍩€椤掑﹦绉靛ù婊呭仦缁傛帡鎮℃惔妯绘杸闂佺粯鍔樺▔娑氭閿曞倹鐓曟俊銈呭閻濐亜菐閸パ嶅姛闁逞屽墯缁嬫帟鎽繝娈垮灡閹告娊骞冨畡鎵虫瀻婵炲棙鍨甸崺灞剧箾鐎涙ḿ鐭掔紒鐘崇墵瀵鈽夐姀鐘电杸闂佺ǹ绻愰幗婊堝极閺嶎厽鈷戠紒顖涙礃濞呮梻绱掔紒妯肩疄鐎殿喛顕ч埥澶娾堪閸涱垱婢戦梻浣瑰缁诲倿骞婃惔顭掔稏闁冲搫鎳忛埛鎴︽煕濞戞﹫鍔熼柟铏礈缁辨帗娼忛妸锔绢槹濡ょ姷鍋涚换姗€骞冮埡鍐╁珰闁肩⒈鍓﹂崯瀣⒒娴e憡鍟炲〒姘殜瀹曞綊骞庨崜鍨喘閸╋繝宕ㄩ瑙勫闂佽崵鍋炵粙鍫ュ焵椤掆偓閸樻牗绔熼弴銏♀拻濞达絽鎲$拹锟犲几椤忓棛纾奸柕濞垮妼娴滃湱绱掗鍛箺鐎垫澘瀚伴獮鍥敇閻樻彃绠婚梻鍌欑閹碱偆鈧凹鍓涢幑銏ゅ箳閺冨洤小闂佸湱枪缁ㄧ儤绂嶅⿰鍫熺厸闁搞儺鐓侀鍫熷€堕柤纰卞厴閸嬫挸鈻撻崹顔界彯闂佺ǹ顑呴敃銈夘敋閿濆洦宕夐悶娑掑墲閻庡姊虹拠鈥崇€婚柛蹇庡嫎閸婃繂顫忕紒妯诲闁荤喖鍋婇崵瀣磽娴e壊鍎愰柛銊ㄥ劵濡喎顪冮妶鍡樺蔼闁搞劌缍婇幃鐐哄垂椤愮姳绨婚梺鍦劋閸╁﹪寮ㄦ繝姘€垫慨妯煎亾鐎氾拷40缂傚倸鍊搁崐鎼佸磹妞嬪海鐭嗗〒姘e亾閽樻繃銇勯弽銊х煂闁活厽鎸鹃埀顒冾潐濞叉牕煤閵娧呬笉闁哄啫鐗婇悡娆撴煙椤栧棗鑻▓鍫曟⒑瀹曞洨甯涙慨濠傜秺楠炲牓濡搁妷顔藉缓闂侀€炲苯澧版繛鎴犳暬楠炴牗鎷呴崨濠勨偓顒勬煟鎼搭垳绉靛ù婊冪埣閹垽宕卞☉娆忎化闂佹悶鍎荤徊娲磻閹捐绀傞柛娑卞弾濡粎绱撻崒姘偓宄懊归崶銊d粓闁归棿鐒﹂崑锟犳煃閸濆嫭鍣归柦鍐枔閳ь剙鍘滈崑鎾绘煕閺囥劌浜炴い鎾存そ濮婃椽骞愭惔锝囩暤濠电偠灏欐繛鈧€规洘鍨块獮妯肩磼濡鍔掗梺鑽ゅ枑閻熴儳鈧凹鍓熷畷銏c亹閹烘挴鎷洪梺鍛婄箓鐎氼厼顔忓┑瀣厱閹兼番鍨归悘鈺備繆閸欏濮囨顏冨嵆瀹曞ジ鎮㈤崫鍕闂傚倷鑳剁涵鍫曞礈濠靛枹娲冀椤愩儱小缂備緡鍋勭€殿剟姊婚崒姘偓椋庢濮橆兗缂氱憸宥堢亱闂佸搫鍟崐濠氭儗閸℃褰掓晲閸偄娈欓梺鑽ゅ枑鐎氬牓寮崼婵嗙獩濡炪倖妫侀~澶屸偓鍨墵濮婄粯鎷呴崨濠傛殘婵炴挻纰嶉〃濠傜暦閵忋倖瀵犲璺烘閻庢椽鎮楅崗澶婁壕闂佸憡娲﹂崜娑㈠储闁秵鈷戦柛婵嗗閺嗙偤鏌熺粙鍨挃濠㈣娲熼獮鎰償濞戞鐩庨梻渚€娼ф蹇曟閺団偓鈧倿鎳犻鍌滐紲闂佸搫鍟崐鎼佸几濞戞瑣浜滈柕蹇婂墲缁€瀣煙椤旇娅婃い銏℃礋閿濈偤顢橀悜鍡橆棥濠电姷鏁搁崑鐘诲箵椤忓棛绀婇柍褜鍓氶妵鍕敃閵忊晜鈻堥梺璇″櫙缁绘繈宕洪埀顒併亜閹烘垵顏柍閿嬪浮閺屾稓浠﹂幑鎰棟闂侀€炲苯鍘哥紒顔界懇閵嗕礁鈻庨幇顔剧槇闂佸憡娲﹂崜锕€岣块悢鍏尖拺闁告挻褰冩禍婵囩箾閸欏澧辩紒顔垮吹缁辨帒螣闂€鎰泿闂備浇顫夊畷妯衡枖濞戙埄鏁佺€光偓閸曨剛鍘告繛杈剧到婢瑰﹪宕曡箛鏂讳簻妞ゆ挴鍓濈涵鍫曟煙妞嬪骸鈻堥柛銊╃畺瀹曟宕ㄩ娑樼樆闂傚倸鍊风欢姘跺焵椤掑倸浠滈柤娲诲灦瀹曘垽骞栨担鍦幘闂佸憡鍔樼亸娆撳春閿濆應鏀介柨娑樺閺嗩剟鏌熼鐣屾噰鐎殿喖鐖奸獮瀣敇閻愭惌鍟屾繝鐢靛У椤旀牠宕板Δ鍛櫇闁冲搫鎳庣粈鍌涚箾閹寸偟顣叉い顐f礋閺屻劌鈹戦崱妯轰痪閻熸粎澧楃敮妤呭疾閺屻儲鐓曢柍鈺佸暟閹冲懘鏌i幘鍐测偓鎼佲€旈崘顔嘉ч柛鎰╁妿娴犲墽绱掗悙顒佺凡缂佸澧庨崚鎺楀煛閸涱喖浜滅紒鐐妞存悂寮插┑瀣拺闂傚牊绋撴晶鏇熺箾鐠囇呯暤妤犵偛妫濋弫鎰緞鐎Q勫闂備礁婀辨灙婵炲鍏橀崺銉﹀緞鐎c劋绨婚梺鎸庢椤曆冾嚕椤曗偓閺屾盯鍩為幆褌澹曞┑锛勫亼閸婃牜鏁幒妤佹櫇闁靛/鈧崑鎾愁潩閻愵剙顏�28缂傚倸鍊搁崐鎼佸磹妞嬪孩顐介柨鐔哄Т绾捐顭块懜闈涘Е闁轰礁顑囬幉鎼佸籍閸垹绁﹂梺鍛婂姦閸犳牜绮绘繝姘厱闁规崘灏欑粣鏃堟煃閻熸壆绠茬紒缁樼箞婵偓闁挎繂妫涢妴鎰斿Δ濠佺凹闁圭ǹ鍟块悾宄扳攽鐎n亜绐涢柣搴㈢⊕宀e潡宕㈤柆宥嗏拺闁告繂瀚弳濠囨煕鐎n偅灏电紒杈ㄥ笧閳ь剨缍嗛崑鍛暦瀹€鈧埀顒侇問閸n噣宕戞繝鍥х畺濞寸姴顑呴崹鍌涖亜閹扳晛鐏╂鐐村灴濮婄粯鎷呴崨濠冨創濠电偠顕滅粻鎴︼綖濠靛惟闁冲搫鍊告禒顓㈡⒑鐎圭姵銆冮悹浣瑰絻鍗遍柛顐犲劜閻撴瑩鏌i幇闈涘缂傚秵鍨块弻鐔煎礂閸忕厧鈧劙鏌$仦鐣屝ユい褌绶氶弻娑㈠箻閸楃偛顫囧Δ鐘靛仜缁绘﹢寮幘缁樻櫢闁跨噦鎷�1130缂傚倸鍊搁崐鎼佸磹妞嬪海鐭嗗〒姘e亾閽樻繃銇勯弽銊х煂闁活厽鎹囬弻娑㈠箻閼碱剦妲梺鎼炲妽缁诲牓寮婚妸鈺傚亜闁告繂瀚呴姀銏㈢<闁逞屽墴瀹曟帡鎮欑€电ǹ骞堟繝鐢靛仦閸ㄥ爼鏁冮锕€缁╃紓浣贯缚缁犻箖鏌涢锝囩畼闁绘帗鎮傞弻锛勪沪缁嬪灝鈷夐悗鍨緲鐎氼噣鍩€椤掑﹦绉靛ù婊勭矒閿濈偤宕堕浣叉嫼闂備緡鍋嗛崑娑㈡嚐椤栨稒娅犲Δ锝呭暞閻撴瑩鏌涢幋娆忊偓鏍偓姘炬嫹
脑电(Electroencephalography,EEG)信号包含丰富的脑活动信息,相比其他无创测量手段,如正电子发射计算机断层显像(Positron Emission Tomography,PET)。功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)等,EEG具有较高的时间分辨率,且能更直接地反映大脑皮层的神经活动。因而,EEG信号技术在临床神经生理研究中,是一种重要的疾病诊断手段。另外对于认知神经学研究领域,也提供了一种客观科学的脑功能分析算法。EEG信号能量微弱,背景噪声大,是一种典型的微弱非平稳信号[1],故通常采用时变参数建模算法进行分析。
一般地,非平稳信号建模算法分为两类:一类是自适应递归估计算法,如卡尔曼滤波、最小均方估计、递归最小二乘(Recursive Least Squares,RLS)算法等,由于自适应算法的收敛较慢,该类算法难以对变化较快、噪声较大的时变系统进行有效估计[2]。另一类是基于基函数逼近的参数建模算法,即把时变参数表示为一系列基函数的线性或非线性组合,从而将时变参数建模问题转化为关于基函数的时不变回归模型辨识问题。与自适应估计算法相比,基函数展开更适合于对具有较强非平稳性的时变信号进行辨识[3]。目前有大量可供选择的基函数,常用的主要有:多项式基函数(切比雪夫基函数和勒让德基函数等)、傅里叶基、小波基、Walsh和Haar函数等,每组基函数均有自身的逼近特性,如多项式和小波基对平滑缓慢变化的系统辨识效果较好,而Walsh和Haar函数,适于估计急剧或分段式变化的时变参数[4]。目前,基函数的选取没有完整的体系算法,是展开式算法要考虑的主要问题之一。
基于传统的基函数展开式算法,难以准确辨识不同类型的时变参数变化,为使参数辨识结果更加灵活,大多数研究人员采用多小波基函数[5-6],利用多种类型小波基函数构成多分辨率小波分解,充分结合平滑及分段小波基函数的逼近性能,能够同时准确跟踪缓慢平滑的慢变以及快速急剧的突变,与传统基函数展开相比,多小波基函数算法更适合于非平稳信号的建模分析。
时变参数通过基函数扩展后得到的时不变回归模型包含大量高度相关的待估参数,针对该高维病态矩阵求解问题,许多研究证明正交最小二乘(Orthogonal Least Squares,OLS)[7]算法能够有效稀疏原始冗余模型,构建合理的模型结构,进而实现参数辨识。然而,当信号背景噪声较大时,OLS算法容易出现过拟合现象,为克服过拟合,一般可采用正则化处理。正则化正交最小二乘(Regularized Orthogonal Least Squares,ROLS)[8]算法在OLS算法的基础上进一步引入正则项作为误差准则,一定程度缓解了过拟合现象,提高了对噪声的鲁棒性,使得展开后模型结构的稀疏构建及参数估计过程快速有效。与经典OLS算法相比,ROLS算法更适合于辨识复杂背景噪声下的时变系统。
综上所述,本文选择多小波B样条基函数对非平稳时变系统进行参数展开,同时,考虑到真实信号中含有大量的噪声,通过ROLS算法,对展开后的回归模型进行模型项的选择及参数估计。仿真实验说明,与RLS、基于多小波基函数展开的经典OLS算法相比,该算法估计性能最优。通过该算法对真实EEG信号建立时变自回归模型,基于辨识的时变参数可进行高时间、高频率分辨率的时频能量分析[9],能够准确获得能量在时间、频率轴上的动态变化过程,进而对运动想象任务下EEG信号事件相关去同步(Event-Related Desynchronization,ERD)及事件相关同步(Event-Related Synchronization,ERS)规律实现有效地分析。ERD/ERS分析结果定量客观地揭示了运动想象EEG信号所包含的频率分量及变化规律,有助于认识运动想象状态下大脑各区域神经活动的能量变化特点及脑活动机制。另外,该结果作为一种高分辨率、高灵敏度的时频特征,能够有效提高运动想象脑机接口(Brain Computer Interface,BCI)系统的判断精度。
1 多小波基函数的时变模型辨识 1.1 时变自回归模型 非平稳信号可用时变自回归模型描述,p阶时变自回归模型表示如下:
(1)

式中:y(t)为待估计的时变信号,t为离散采样时间序列;ε(t)为均值为0,方差为σε2的高斯白噪声序列; ai(t)为时变参数。为估计时变参数ai(t),本文基于基函数展开式算法,将时变参数表示为一组基函数{ωm(t):m=1, 2, …, L}的线性组合:
(2)

其中:li, m为基函数的时不变权系数。
则式(1)可写为
(3)

定义:
(4)

(5)

式中:Φ(t)和Θ分别为展开后的回归项向量和参数向量。
将式(3)改写为如式(6)向量形式:
(6)

引入基函数后,时变自回归模型式(1)转化为时不变标准线性回归模型式(6),时变参数ai(t)辨识问题转化为时不变参数Θ的求解。令Θ的估计值为ai(t)的估计值为ai(t),σε2的估计值为,自回归模型式(1)的时频谱函数可表示为[9]
(7)

式中:ffs分别为频率和采样频率。时频谱函数式(7)关于频率f是连续的,故可用于对任何低于奈圭斯特频率fs/2的频率点进行频谱估计,频率分辨率高,频率分辨率上限与模型阶数以及相关参数有关。
如本节所述,基函数的选取是展开式算法要考虑的主要问题之一,每组基函数均有其自己的逼近特点。EEG信号作为典型的生物医学信号,能量微弱复杂,常包含多种快速及缓慢变化,为使建模算法更加灵活,实现同时跟踪各种变化趋势,本文采用多小波基函数扩展算法,组合利用各类小波的逼近性能,构成多分辨率分解。
1.2 多小波基函数 根据小波理论[10-11],一平方可积的标量函数f(x)∈L2(R),L2(R)表示实数上平方可积的函数空间可用多分辨率小波分解任意逼近:
(8)

式中:小波族ψj, k(x)=2j/2ψ(2jx-k)和φj0, k(x)=2j/2φ(2jx-k)分别为母小波ψ及尺度函数φ的伸缩和移位,jk分别为尺度因子和位移因子,j, kZλj0, kμj, k为小波分解系数,j0Z为最低的分辨率或尺度水平。同时,根据多分辨率分析的性质,当分辨率尺度水平j0足够大时,任意平方可积函数f可用尺度基函数估计,即存在整数J,使得
小波基函数的类型有多种,基本B样条作为一类重要的基函数,可以构成多分辨率小波分解,本文选择基本B样条函数作为基函数[12]。根据基本B样条函数的定义式[5]m阶B样条定义在[0,m],假设待估计函数f(x)定义在[0, 1],则对于任意尺度因子j,位移因子k的有效范围被约束于集合Γm={k:-mk≤2j-1}。B样条基函数该独特的性质使得多分辨率分解计算变得更加简洁方便。自回归模型(1)中的时变参数ai(t)可用多小波基函数展开为
(9)

式中:t=1, 2, …, NN为观测序列的长度。关于B样条基函数阶数的选取,仿真结果证明,对于大多数时变辨识问题,阶数选择3、4、5,可以达到较好的估计效果[5]。将式(2)中{ωm(t):m=1, 2, …, L}用{φk(γ)(t):kΓm}表示,则式(9)可转化为式(2)的形式,进一步迭代可得到标准线性回归模型式(6)。
初始回归方程式(6)涉及到大量待估参数,关联的回归项可能高度相关,对于该高维病态回归问题,普通最小二乘难以得到可靠的结果。为解决该问题,本文采用ROLS算法,可有效地选择出重要的模型回归项,构建稀疏合理的模型结构,并估计相应回归参数。
2 时变自回归模型参数估计 2.1 ROLS算法 对于涉及大量候选模型回归项的动态回归问题,OLS算法[7, 13-14]被证明可有效地进行模型项的选择及参数估计。然而,由于OLS算法中用到的误差准则为完全平方误差εTε(ε为误差向量),在数据噪声背景较大的情况下,该最小平方准则会出现过拟合现象[7]
为克服过拟合现象,常用的算法是对模型进行正则化处理。本文采用将0阶正则项与OLS算法相结合的ROLS算法[8],增强参数估计的鲁棒性,防止过拟合现象,且计算量与OLS算法相当。
考虑模型式(6)的矩阵形式:
(10)

(11)

定义回归矩阵Φ的正交分解为
(12)

式中:正交列满足wiTwj = 0, ij
模型式(10)可改写为
(13)

式中:正交权重向量g=[g1, g2, …, gN]T,参数向量Θ满足=g
ROLS算法考虑0阶正则化误差项,其标准化后的误差准则为
(14)

式中:λ≥0为正则化参数;Δei为正则化误差减小率。为选择合理的正则化参数λ,对ROLS算法进行贝叶斯解释,获得λ的迭代计算过程如下[15]:
(15)

给定λ一初始值,经过若干次迭代计算即可获得稳定且符合算法要求的λ值。依据Δei,利用前向回归算法可逐步选择出重要的回归项,直到,0 < ξ < 1为设定的容忍值。通过ROLS算法,对模型候选项进行选择,并对参数进行估计,从而辨识出时变参数ai(t),可一定程度缓解过拟合,同时计算量级与OLS相同。
2.2 模型阶数确定 关于模型阶数的确定问题,可根据常用的模型定阶准则,本文采用AIC(Akaike Information Criterion)准则[16]定义如下:
(16)

式中:Σpp阶模型估计误差的方差,使得AIC最小的p为最佳模型阶数,该准则可较好地平衡模型估计精度和复杂度。
3 仿真实例 为验证提出的多小波B样条基函数展开及ROLS算法对时变参数估计的有效性,进行仿真测试实验,分别采用RLS算法、基于B样条展开的OLS(B样条-OLS)估计法及基于多小波B样条和ROLS(B样条-ROLS)建模算法,辨识仿真时变模型,比较并评估了不同算法的估计性能。仿真的二阶时变模型为
(17)

相关参数如下:
(18)

(19)

输入项u(k)为方差为1的高斯随机序列,采样频率fs=1 700 Hz,采样间隔时间Δt=1/fse(k)为均值为0,方差为0.008的高斯白噪声序列。
利用本文提出的B样条-ROLS建模算法建立时变回归模型,模型阶数取2,B样条阶数取3、4、5,尺度因子j取4,正则化参数λ取1。分别采用RLS算法(遗忘因子取0.96)、B样条-OLS估计法及提出的B样条-ROLS建模算法,对仿真时变参数进行辨识,3种算法的估计结果如图 1所示。
图 1 基于3种算法的参数辨识结果 Fig. 1 Parameter identification results based on three algorithms
图选项




图 1(a)表明,RLS算法由于迭代收敛过程慢,极易受噪声影响,因而难以准确跟踪参数的阶跃性快速变化,且估计参数波动较大。图 1(b)中,多小波B样条基函数良好局部逼近性能,使得该展开算法可以较好地跟踪参数变化,但OLS算法对噪声比较敏感,容易过度捕捉噪声信息,导致出现过拟合现象,造成估计延迟。从图 1(c)得知,B样条-ROLS建模算法结合了多小波B样条基较强的逼近特性和正则化误差准则,因而能够迅速跟踪参数变化,同时对噪声的鲁棒性较好,参数波动较小,一定程度上缓解了过拟合现象。
为进一步定量评估提出算法的参数估计性能,计算比较了上述3种算法参数估计值与真实值之间的平均绝对误差(Mean Absolute Error,MAE),以及标准均方根误差(Root Mean Squared Error,RMSE)分别为
(20)

(21)

MAE与RMSE越小,表明误差越小,参数估计性能越好。3种算法MAE和RMSE的对比结果如表 1所示。由表 1可知,B样条-OLS估计法效果优于RLS算法,而B样条-ROLS建模算法MAE及RMSE均最小,估计效果最优。该结果表明,本文提出的算法对于参数中快速或缓慢的变化,均可较好地跟踪辨识,且对噪声有一定的鲁棒性,更适用于真实非平稳时变过程的分析及特征提取。
表 1 3种辨识算法估计结果对比 Table 1 Comparison of estimation results among three identification algorithms
辨识算法估计参数MAERMSE
RLS算法a1(t)0.044 80.142 7
a2(t)0.042 20.263 4
b1(t)0.011 40.149 6
b2(t)0.017 60.107 7
B样条-OLS估计法a1(t)0.040 60.101 0
a2(t)0.037 70.178 9
b1(t)0.008 90.121 7
b2(t)0.016 80.102 4
B样条-ROLS建模算法a1(t)0.039 20.097 5
a2(t)0.035 00.136 5
b1(t)0.007 90.099 0
b2(t)0.015 40.102 0


表选项






4 EEG数据建模及时频特征分析 将B样条-ROLS建模算法用于对真实EEG数据建模及时频分析。EEG数据来源于PhysioNet数据库[17],其中包含109位健康被试在执行相同运动想象任务时采集的EEG数据。EEG信号采样频率为160 Hz,记录了64通道数据,电极放置位置以国际10-20导采集系统为标准。每名被试执行4类实验:打开握紧左拳或右,想象打开握紧左拳或右拳,打开握紧双拳或双脚,想象打开握紧双拳或双脚。
运动想象,指想象肢体运动而没有实际的肢体动作[18]。由于在想象左右手运动时产生的脑电信号具有ERD及ERS特征,即大脑异侧主感觉运动皮层α节律(8~13 Hz)和β节律(18~25 Hz)幅度明显减小(ERD),而同侧相应区域αβ节律幅度明显增大(ERS)[19],故通过分析运动想象脑电信号,可以判断想象者的运动意图,从而实现对外部设备的控制。因此运动想象脑电信号成为BCI系统最常使用的一种特征信号,对于有运动障碍患者来说更具有实际意义[20-22]。为对运动想象EEG信号进行分析,本文选择PhysioNet数据库中第2类实验任务数据,包含每名被试想象左、右拳运动实验各21次,每次想象时间持续4 s。大量关于运动想象EEG的研究表明,与想象左右手运动相关的神经活动主要分布在通道位置覆盖了主感觉运动皮层的C3、C4、Cz通道[19, 23],因而本文通过多小波B样条展开以及ROLS算法,对想象左右手任务下,预处理后C3、C4通道的EEG信号进行建模及时频特征提取。
对原始数据进行离散小波滤波,滤除高、低频噪声及眼动伪迹,得到5~15 Hz频带数据,预处理后被试1想象左手运动任务下,第一次实验C3通道EEG信号时域波形如图 2所示。用多小波B样条-ROLS建模算法对该信号建立时变模型,由AIC准则求得模型最佳阶数为5[24],B样条阶取3、4、5,尺度因子j取4,正则化参数λ取1。为清晰表示模型辨识效果,图 3显示了0.5~3.0 s时间段的信号估计结果。由图 3可知,所建模型准确跟踪了处理后真实EEG信号的变化,证明了B样条-ROLS建模算法对真实非平稳时变信号的适用性。
图 2 预处理后EEG信号时域波形 Fig. 2 Time domain waveform of preprocessed EEG signals
图选项




图 3 5阶时变自回归模型估计结果与真实EEG信号对比 Fig. 3 Comparison between estimation results from TVAR(5) time-varying autoregressive model and real EEG signal
图选项




对被试1想象左右手任务下,各21次实验数据均进行上述预处理及建模运算,根据式(7)计算各单次实验EEG信号的时频能量分布,叠加平均后,取任务开始前2s作为基线,得到不同任务下C3、C4通道相对时频能量变化如图 4所示。其中,黑色实线框标明5~15 Hz频率段范围,根据该黑色框区域可获得任务开始后α节律下ERS及ERD规律:想象左手运动,同侧C3通道相对能量增强,异侧C4通道相对能量减弱;想象右手运动,同侧C4通道相对能量增强,异侧C3通道相对能量减弱。该规律表明大脑皮层运动感觉区在左右手运动想象任务下,α频带内同侧区域神经活动同步性增强,与运动想象EEG研究结论及解剖学理论相符合[19]。同时,与传统时频分析算法相比,该算法能够准确量化每个时间采样点、任意频率点上的能量,反映出运动想象过程中时频能量的动态变化过程。
图 4 不同任务下C3、C4通道相对时频能量变化图 Fig. 4 Relative time-frequency power spectrum of channel C3 and C4 during motor imagery
图选项




进一步从时间-频率-空间域上分析EEG信号的相对能量变化过程,每隔0.05 s计算各类任务下α节律相对能量脑头皮地形图,如图 5所示。由图 5(a)可知,想象左手运动,任务开始后0.40~0.75 s期间,α频带下同侧C3相对能量持续高于对侧C4;图 5(b)表明,想象右手运动,想象开始后0.65~1 s期间,α节律下同侧C4相对能量持续高于对侧C3。图 5从时间-频率-空间3个方面分析EEG信号,揭示了运动想象状态下大脑各区域实时动态的神经活动能量分布,能够准确提取出相应任务下大脑作出反应的瞬时时-频特征分布。提出的算法能够对运动想象EEG信号提取时域-频域-空间域特征,具有较高的时间、频率分辨率,充分利用EEG信号采集时间分辨率高、频率信息丰富的特点,可有效提高运动想象BCI系统的判断正确率,提升对运动想象脑活动机理的认识。
图 5 各类任务下不同时间点相对能量头皮地形图 Fig. 5 Topographic maps of time-dependent power during motor imagery tasks
图选项




5 结论 1) 针对时变系统辨识问题,本文提出了一种新的B样条-ROLS建模算法。该算法结合多小波基的良好局部逼近特性以及ROLS算法的正则化误差准则,可准确、迅速地辨识时变参数,对时变系统具有良好的动态跟踪能力,适用于包括EEG等非平稳复杂时变信号进行估计及时频特征分析。
2) 仿真实例结果验证了本文算法对时变参数估计的有效性,对于噪声干扰下的时变系统,与传统的RLS及B样条-OLS估计法相比,本文算法估计性能最优。对于真实运动想象EEG数据,本文算法同样能够准确快速地跟踪辨识,进一步进行的时频分析可准确反映出α节律下的ERS及ERD规律,提取的具有高分辨率的时域-频域-空间域特征有助于提高运动想象BCI系统判别准确度,同时加深对运动想象脑活动机制的理解。
3) 本文算法可有效辨识复杂时变非平稳信号,具有普遍适用性,可用于分析各类不同状态下的EEG信号,包括用于研究基于自发脑电的飞行员脑力负荷检测[25]。人机系统作业过程中的脑力负荷评估是工效学的重要研究内容,基于生理信号实时脑力负荷监测能够实现根据脑力负荷在飞行员与自动化系统之间动态分配任务,进而优化人机系统设计,避免过高脑力负荷,降低人误风险,在模拟飞行、模拟无人机控制等任务中已被证明可改善作业绩效和飞行员的主观感受[26]。基于自发脑电的研究是脑力负荷研究中使用最多的算法,在接下来的研究工作中,可继续通过本文提出的时频分析算法对飞行员在不同脑力负荷水平下自发脑电各个频段的能量变化进行分析,进而利用模式识别算法建立脑力负荷识别模型,实现对脑力负荷的实时准确监测。

参考文献
[1] COBURN K L, LAUTERBACH E C, BOUTROS N N, et al. The value of quantitative electroencephalography in clinical psychiatry:A report by the committee on research of the american neuropsychiatric association[J].The Journal of Neuropsychiatry and Clinical Neurosciences, 2006, 18(4): 460–500.DOI:10.1176/jnp.2006.18.4.460
[2] SKRETTING K, ENGAN K. Recursive least squares dictionary learning algorithm[J].IEEE Transactions on Signal Processing, 2010, 58(4): 2121–2130.DOI:10.1109/TSP.2010.2040671
[3] 于开平, 庞世伟, 赵婕. 时变线性/非线性结构参数识别及系统辨识算法研究进展[J].科学通报, 2009, 54(20): 3147–3156.
YU K P, PANG S W, ZHAO J. Advances in method of time-varying linear/nonlinear structural system identification and parameter estimate[J].Chinese Science Bulletin, 2009, 54(20): 3147–3156.(in Chinese)
[4] LI B, CHEN X. Wavelet-based numerical analysis:A review and classification[J].Finite Elements in Analysis and Design, 2014, 81(4): 14–31.
[5] LI Y, WEI H L, BILLINGS S A. Identification of time-varying systems using multi-wavelet basis functions[J].IEEE Transactions on Control Systems Technology, 2011, 19(3): 656–663.DOI:10.1109/TCST.2010.2052257
[6] LI Y, WEI H L, BILLINGS S A, et al. Time-varying model identification for time-frequency feature extraction from EEG data[J].Journal of Neuroscience Methods, 2011, 196(1): 151–158.DOI:10.1016/j.jneumeth.2010.11.027
[7] WEI H L, BILLINGS S A. Model structure selection using an integrated forward orthogonal search algorithm assisted by squared correlation and mutual information[J].International Journal of Modelling, Identification and Control, 2008, 3(4): 341–356.DOI:10.1504/IJMIC.2008.020543
[8] WANG N, ER M J, HAN M. Parsimonious extreme learning machine using recursive orthogonal least squares[J].IEEE Transactions on Neural Networks and Learning Systems, 2014, 25(10): 1828–1841.DOI:10.1109/TNNLS.2013.2296048
[9] WEI H L, BILLINGS S A, LIU J J. Time-varying parametric modelling and time-dependent spectral characterisation with applications to EEG signals using multiwavelets[J].International Journal of Modelling, Identification and Control, 2010, 9(3): 215–224.DOI:10.1504/IJMIC.2010.032802
[10] GUO L, RIVERO D, PAZOS A. Epileptic seizure detection using multiwavelet transform based approximate entropy and artificial neural networks[J].Journal of Neuroscience Methods, 2010, 193(1): 156–163.DOI:10.1016/j.jneumeth.2010.08.030
[11] SCHNEIDER K, VASILYEV O V. Wavelet methods in computational fluid dynamics[J].Annual Review of Fluid Mechanics, 2010, 42: 473–503.DOI:10.1146/annurev-fluid-121108-145637
[12] CHUI C K. An introduction to wavelets[M].Amsterdam: Elsevier, 2016: 49-74.
[13] GUO Y, GUO L, BILLINGS S A, et al. An iterative orthogonal forward regression algorithm[J].International Journal of Systems Science, 2015, 46(5): 776–789.DOI:10.1080/00207721.2014.981237
[14] GUO Y, GUO L Z, BILLINGS S A, et al. Identification of nonlinear systems with non-persistent excitation using an iterative forward orthogonal least squares regression algorithm[J].International Journal of Modelling, Identification and Control, 2015, 23(1): 1–7.DOI:10.1504/IJMIC.2015.067496
[15] CHEN S, CHNG E, ALKADHIMI K. Regularized orthogonal least squares algorithm for constructing radial basis function networks[J].International Journal of Control, 1996, 64(5): 829–837.DOI:10.1080/00207179608921659
[16] AKAIKE H. A new look at the statistical model identification[J].IEEE Transactions on Automatic Control, 1974, 19(6): 716–723.DOI:10.1109/TAC.1974.1100705
[17] GOLDBERGER A L, AMARAL L A, GLASS L, et al. Physiobank, physiotoolkit, and physionet[J].Circulation, 2000, 101(23): e215–e220.DOI:10.1161/01.CIR.101.23.e215
[18] YUAN H, HE B. Brain-computer interfaces using sensorimotor rhythms:Current state and future perspectives[J].IEEE Transactions on Biomedical Engineering, 2014, 61(5): 1425–1435.DOI:10.1109/TBME.2014.2312397
[19] PFURTSCHELLER G, BRUNNER C, SCHL?GL A, et al. Mu rhythm (de) synchronization and EEG single-trial classification of different motor imagery tasks[J].NeuroImage, 2006, 31(1): 153–159.DOI:10.1016/j.neuroimage.2005.12.003
[20] TAKAHASHI M, TAKEDA K, OTAKA Y, et al. Event related desynchronization-modulated functional electrical stimulation system for stroke rehabilitation:A feasibility study[J].Journal of Neuroengineering and Rehabilitation, 2012, 9(1): 56–1.DOI:10.1186/1743-0003-9-56
[21] LONG J, LI Y, WANG H, et al. A hybrid brain computer interface to control the direction and speed of a simulated or real wheelchair[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2012, 20(5): 720–729.DOI:10.1109/TNSRE.2012.2197221
[22] ZHANG R, YAO D, VALDéS-SOSA P A, et al. Efficient resting-state EEG network facilitates motor imagery performance[J].Journal of Neural Engineering, 2015, 12(6): 066024.DOI:10.1088/1741-2560/12/6/066024
[23] YANG H, GUAN C, CHUA K S G, et al. Detection of motor imagery of swallow EEG signals based on the dual-tree complex wavelet transform and adaptive model selection[J].Journal of Neural Engineering, 2014, 11(3): 035016.DOI:10.1088/1741-2560/11/3/035016
[24] HESSE W, MLLER E, ARNOLD M, et al. The use of time-variant EEG Granger causality for inspecting directed interdependencies of neural assemblies[J].Journal of Neuroscience Methods, 2003, 124(1): 27–44.DOI:10.1016/S0165-0270(02)00366-7
[25] CHAOUACHI M, JRAIDI I, FRASSON C. Modeling mental workload using EEG features for intelligent systems[J].User Modeling, Adaption and Personalization, 2011, 6787(1): 50–61.
[26] TIBERIO L, CESTA A, OLIVETTI BELARDINELLI M. Psychophysiological methods to evaluate user's response in human robot interaction:A review and feasibility study[J].Robotics, 2013, 2(2): 92–121.DOI:10.3390/robotics2020092


闂傚倷娴囬褏鈧稈鏅犻、娆撳冀椤撶偟鐛ラ梺鍦劋椤ㄥ懐澹曟繝姘厵闁告挆鍛闂佹娊鏀遍崹鍫曞Φ閸曨垰绠涢柛鎾茬劍閸嬔冾渻閵堝繒鍒扮€殿喖澧庨幑銏犫攽鐎n亞鍔﹀銈嗗笒鐎氼剛绮婚妷锔轰簻闁哄啠鍋撻柛搴″暱閻g兘濡烽妷銏℃杸濡炪倖姊婚悺鏂库枔濡眹浜滈柨鏂垮⒔閵嗘姊婚崒姘偓鐑芥倿閿旈敮鍋撶粭娑樻噽閻瑩鏌熼悜姗嗘畷闁稿孩顨嗛妵鍕棘閸喒鎸冮梺鍛婎殕瀹€鎼佸箖濡も偓閳藉鈻庣€n剛绐楅梻浣哥-缁垰螞閸愵喖钃熸繛鎴欏灩鍞梺闈涚箚閸撴繈鎮甸敃鈧埞鎴︽倷閹绘帗鍊悗鍏夊亾闁归棿绀侀拑鐔兼煏閸繍妲哥紒鐙欏洦鐓曟い顓熷灥閺嬬喐绻涢崼婵堝煟婵﹨娅g槐鎺懳熼悡搴樻嫛闂備胶枪缁ㄦ椽宕愬Δ鍐ㄥ灊婵炲棙鍔曠欢鐐烘煙闁箑澧版い鏃€甯″娲嚃閳圭偓瀚涢梺鍛婃尰閻╊垶鐛繝鍌楁斀閻庯綆鍋嗛崢浠嬫⒑缂佹◤顏勵嚕閼搁潧绶為柛鏇ㄥ幐閸嬫挾鎲撮崟顒傤槰闂佹寧娲忛崹浠嬪极閹扮増鍊风痪鐗埫禍楣冩煥濠靛棝顎楀ù婊冨⒔缁辨帡骞夌€n剛袦闂佸搫鐬奸崰鎰缚韫囨柣鍋呴柛鎰ㄦ櫓閳ь剙绉撮—鍐Χ閸℃ê鏆楅梺纭呮珪閹瑰洦淇婇幘顔肩闁规惌鍘介崓鐢告⒑閹勭闁稿妫濇俊瀛樼節閸屾鏂€闂佺粯锕╅崑鍕妤e啯鈷戦柛娑橈功閳藉鏌f幊閸旀垵顕i弻銉晢闁告洦鍓欓埀顒€鐖奸弻锝夊箛椤撶偟绁烽梺鎶芥敱濮婅绌辨繝鍕勃闁稿本鑹鹃~鍥⒑閸濆嫮鐒跨紒缁樼箓閻i攱绺介崜鍙夋櫇闂侀潧绻掓慨瀵哥不閹殿喚纾介柛灞剧懅閸斿秵銇勯妸銉﹀殗閽樻繈姊婚崼鐔恒€掗柡鍡檮閹便劌顫滈崱妤€浼庣紓浣瑰敾缁蹭粙婀侀梺鎸庣箓鐎氼垶顢楅悢璁垮綊鎮℃惔銏犳灎濠殿喖锕ュ钘夌暦閵婏妇绡€闁稿本绮庨幊鍡樼節绾版ɑ顫婇柛瀣噽閹广垽宕奸妷褍绁﹂梺鍦濠㈡﹢鏌嬮崶顒佺厸闁搞儮鏅涢弸鎴炵箾閸涱喚澧紒缁樼⊕濞煎繘宕滆琚f繝鐢靛仜閹锋垹绱炴担鍝ユ殾闁炽儲鏋奸崼顏堟煕椤愩倕鏋庨柍褜鍓涢弫濠氬蓟閿濆顫呴柣妯哄悁缁敻姊洪幖鐐测偓鎰板磻閹剧粯鈷掑ù锝堫潐閸嬬娀鏌涢弬璺ㄐら柟骞垮灲瀹曠喖顢橀悙鑼喊闂佽崵濮村ú銈咁嚕椤掑嫬绫嶉柛灞绢殔娴滈箖鏌ㄥ┑鍡涱€楀褌鍗抽弻銊モ槈閾忣偄顏�
547闂傚倸鍊搁崐椋庣矆娴i潻鑰块梺顒€绉查埀顒€鍊圭粋鎺斺偓锝庝簽閿涙盯姊洪悷鏉库挃缂侇噮鍨堕崺娑㈠箳濡や胶鍘遍梺鍝勬处椤ㄥ棗鈻嶉崨瀛樼厽闊浄绲奸柇顖炴煛瀹€瀣埌閾绘牠鏌嶈閸撶喖寮绘繝鍥ㄦ櫜濠㈣泛锕﹂悿鍥⒑鐟欏嫬绀冩い鏇嗗懐鐭嗛柛鎰ㄦ杺娴滄粓鐓崶銊﹀鞍妞ゃ儲绮撻弻锝夊箻鐎靛憡鍒涘┑顔硷攻濡炶棄鐣峰Δ鍛闁兼祴鏅涢崵鎺楁⒒娴e憡鎲搁柛锝冨劦瀹曟垿宕熼娑樹患闂佺粯鍨兼慨銈夊疾閹间焦鐓ラ柣鏇炲€圭€氾拷1130缂傚倸鍊搁崐鎼佸磹妞嬪海鐭嗗〒姘e亾閽樻繃銇勯弽銊х煂闁活厽鎹囬弻锝夊閵忊晜姣岄梺绋款儐閹瑰洤鐣疯ぐ鎺濇晝闁挎繂娲﹂濠氭⒒娓氣偓閳ь剛鍋涢懟顖涙櫠閸欏浜滄い鎰╁焺濡叉椽鏌涢悩璇у伐妞ゆ挸鍚嬪鍕節閸愵厾鍙戦梻鍌欑窔閳ь剛鍋涢懟顖涙櫠閹绢喗鐓涢悘鐐登规晶鑼偓鍨緲鐎氼噣鍩€椤掑﹦绉靛ù婊勭矒閿濈偞鎯旈埦鈧弨浠嬫煟閹邦垰鐨哄褎鐩弻娑㈠Ω閵壯傝檸闂佷紮绲块崗姗€寮幘缁樺亹闁肩⒈鍓﹀Σ浼存煟閻斿摜鐭婄紒缁樺笧閸掓帒鈻庨幘宕囧€為梺鍐叉惈閸熶即鏁嶅⿰鍕瘈闁靛骏绲剧涵楣冩煥閺囶亪妾柡鍛劦濮婄粯鎷呴崨濠傛殘闁煎灕鍥ㄧ厱濠电姴鍟版晶杈╃磽閸屾稒宕岄柟绋匡攻缁旂喖鍩¢崒娑辨閻庤娲︽禍婵嬪箯閸涱垱鍠嗛柛鏇ㄥ幗琚欓梻鍌氬€风粈浣革耿闁秴鍌ㄧ憸鏃堝箖濞差亜惟闁宠桨鑳堕鍥⒑閸撴彃浜濇繛鍙夌墵閹偤宕归鐘辩盎闂佺懓顕崑娑㈩敋濠婂懐纾煎ù锝呮惈椤eジ鏌曢崶褍顏い銏℃礋婵偓闁宠桨绀佹竟澶愭⒒娴g懓顕滅紒瀣浮瀹曟繂鈻庨幘璺虹ウ闁诲函缍嗛崳顕€寮鍡欑瘈濠电姴鍊规刊鍏间繆閺屻儲鏁辩紒缁樼箞閹粙妫冨☉妤佸媰闂備焦鎮堕崝宀€绱炴繝鍌ゅ殨妞ゆ劑鍊楅惌娆愪繆椤愩倖鏆╅柛搴涘€楅幑銏犫攽鐎n亞鍊為梺闈浨归崕鏌ヮ敇濞差亝鈷戦柛婵嗗濡叉悂鏌eΔ浣虹煉鐎规洘鍨块獮鎺懳旈埀顒勫触瑜版帗鐓涢柛鎰╁妿婢ф盯鏌i幘宕囩闁哄本鐩崺鍕礃閳哄喚妲烽梻浣呵圭换鎰版儔閼测晜顫曢柟鐑橆殢閺佸﹪鏌涜箛鎿冩Ц濞存粓绠栭幃娲箳瀹ュ棛銈板銈庡亜椤︾敻鐛崱娑樻閹煎瓨鎸婚~宥夋⒑閸︻厼鍔嬮柛銊ㄦ珪缁旂喖寮撮悢铏诡啎闁哄鐗嗘晶浠嬪箖婵傚憡鐓涢柛婊€绀佹禍婊堝础闁秵鐓曟い鎰Т閸旀粓鏌i幘瀛樼闁哄瞼鍠栭幃婊兾熺拠鏌ョ€洪梻浣呵归鍥ㄧ箾閳ь剟鏌$仦鐣屝ユい褌绶氶弻娑滅疀閺冨倶鈧帗绻涢崱鎰仼妞ゎ偅绻勯幑鍕洪鍜冪船婵犲痉鏉库偓褏寰婃禒瀣柈妞ゆ牜鍋涚粻鐘虫叏濡顣抽柛瀣崌閻涱噣宕归鐓庮潛闂備礁鎽滈崰鎾寸箾閳ь剛鈧娲橀崹鍧楃嵁濡皷鍋撳☉娅亪顢撻幘缁樷拺缂備焦锚閻忥箓鏌ㄥ鑸电厓鐟滄粓宕滃☉銏犵;闁绘梻鍘ч悞鍨亜閹烘垵鏋ゆ繛鍏煎姍閺岀喖顢欓懖鈺佺厽閻庤娲樺ú鐔笺€佸☉銏″€烽柤纰卞墮婵附淇婇悙顏勨偓鏍垂婵傜ǹ纾垮┑鐘宠壘缁€鍌炴倶閻愭澘瀚庡ù婊勭矒閺岀喖骞嗚閹界娀鏌涙繝鍐ㄥ闁哄瞼鍠栭、娆撴嚃閳轰胶鍘介柣搴ゎ潐濞茬喐绂嶉崼鏇犲祦闁搞儺鍓欐儫闂侀潧顦崐鏇⑺夊顑芥斀闁绘劘鍩栬ぐ褏绱掗懠顒€浜剧紒鍌氱Ч閹崇偤濡疯濞村嫰姊洪幐搴㈢5闁稿鎹囧Λ浣瑰緞閹邦厾鍘遍棅顐㈡处濞叉牜鏁崼鏇熺厵闁稿繐鍚嬮崐鎰版煛鐏炵晫啸妞ぱ傜窔閺屾稖绠涢弮鍌楁闂傚洤顦甸弻娑㈠Ψ椤旂厧顫╃紒鐐劤閵堟悂寮婚弴鐔虹瘈闊洦娲滈弳鐘差渻閵堝棙绀夊瀛樻倐楠炲牓濡搁妷搴e枔缁瑩宕归纰辨綍闂傚倷鑳舵灙妞ゆ垵妫濋獮鎰節濮橆剛顔嗛梺鍛婁緱閸ㄩ亶宕伴崱娑欑厱闁哄洢鍔屾晶浼存煛閸℃ê鍝烘慨濠勭帛閹峰懘宕崟顐$帛闁诲孩顔栭崰妤呭磿婵傜ǹ桅闁圭増婢樼粈鍐┿亜韫囨挻顥犲璺哄娣囧﹪濡惰箛鏇炲煂闂佸摜鍣ラ崹璺虹暦閹达附鍋愮紓浣贯缚閸橀亶姊洪弬銉︽珔闁哥噥鍋呴幈銊╁焵椤掑嫭鈷戠紒瀣儥閸庢劙鏌熺粙娆剧吋妤犵偛绻樺畷銊р偓娑櫭禒鎯ь渻閵堝棛澧柤鐟板⒔缁骞嬮敂瑙f嫽婵炶揪绲介幉锟犲箚閸儲鐓曞┑鐘插閸︻厼寮查梻渚€娼х换鍫ュ磹閺囥垺鍊块柛顭戝亖娴滄粓鏌熺€电ǹ浠滄い鏇熺矌缁辨帗鎷呯憴鍕嚒濡炪値鍙€濞夋洟骞夐幘顔肩妞ゆ巻鍋撶痪鐐▕閹鈻撻崹顔界亾闂佽桨绀侀…鐑藉Υ娴g硶妲堟俊顖涚矌閸犲酣鎮鹃埄鍐跨矗濞达絽澹婂Λ婊勭節閻㈤潧浠╅柟娲讳簽缁辩偤鍩€椤掍降浜滄い鎰╁焺濡偓闂佽鍣换婵嬪春閳ь剚銇勯幒鎴濐仾闁抽攱甯¢弻娑氫沪閹规劕顥濋梺閫炲苯鍘哥紒顔界懇閵嗕礁鈻庨幇顔剧槇闂佸憡娲﹂崜锕€岣块悢鍏尖拺闁告挻褰冩禍婵囩箾閸欏澧辩紒顔垮吹缁辨帒螣闂€鎰泿闂備礁婀遍崑鎾翅缚濞嗘拲澶婎潩閼哥數鍘遍柣搴秵閸嬪懐浜告导瀛樼厵鐎瑰嫮澧楅崵鍥┾偓瑙勬礈閸忔﹢銆佸Ο琛℃敠闁诡垎鍌氼棜濠电姷鏁告慨鏉懨洪敃鍌氱9闁割煈鍋嗙粻楣冩煙鐎涙ḿ绠橀柡瀣暟缁辨帡鍩€椤掑倵鍋撻敐搴℃灍闁绘挸鍟伴幉绋库堪閸繄顦у┑鐐村灦濮樸劑鎯岄崱妞曞綊鏁愰崼鐔粹偓鍐煟閹烘埊韬柡宀€鍠庨埢鎾诲垂椤旂晫浜愰梻浣呵归鍡涘箰閹间礁鐓″璺哄閸嬫捇宕烽鐐愩儲銇勯敂鍨祮婵﹥妞介弻鍛存倷閼艰泛顏梺鍛娒幉锛勬崲濞戙垹绾ч柟瀵稿仜閺嬬姴顪冮妶鍐ㄧ仾闁挎洏鍨归悾鐑筋敃閿曗偓鍞悷婊冪灱缁厽寰勬繛鐐杸闁圭儤濞婂畷鎰板箻缂佹ê鈧潡鏌ㄩ弮鈧畷妯绘叏閾忣偅鍙忔俊顖氱仢閻撴劙鏌i幘宕囩闁哄本鐩崺鍕礃閳哄喚妲舵俊鐐€х拋锝嗕繆閸ヮ剙鐒垫い鎺嗗亾婵犫偓鏉堛劎浠氭俊鐐€ら崢濂稿床閺屻儲鍋╅柣鎴eГ閺呮煡鏌涢妷顖炴闁告洖鍟村铏圭矙閹稿孩鎷卞銈冨妼閹冲繒绮嬪澶婄畾妞ゎ兘鈧磭绉洪柡浣瑰姍瀹曘劑顢欓崗鍏肩暭闂傚倷绀侀幉鈥趁洪悢铏逛笉闁哄稁鍘奸拑鐔兼煥濠靛棭妲归柛濠勫厴閺屾稑鈻庤箛锝嗏枔濠碘槅鍋呴崹鍨潖濞差亝鐒婚柣鎰蔼鐎氫即鏌涘Ο缁樺€愰柡宀嬬秮楠炴帡鎮欓悽鍨闁诲孩顔栭崳顕€宕滈悢椋庢殾闁圭儤鍩堝ḿ鈺呮煥濠靛棙顥犻柛娆忓暞缁绘繂鈻撻崹顔界亾闂佺娅曢幐鍝ュ弲闂佺粯枪椤曆呭婵犳碍鐓欓柟顖嗗懏鎲兼繝娈垮灡閹告娊寮诲☉妯锋婵鐗婇弫楣冩⒑闂堚晝绋婚柟顔煎€垮濠氭晲閸℃ê鍔呴梺闈涚箳婵挳寮稿▎鎾寸厽闁绘ê鍟挎慨澶愭煕閻樺磭澧电€规洘妞介崺鈧い鎺嶉檷娴滄粓鏌熺€电ǹ浠滄い鏇熺矋閵囧嫰鏁冮崒銈嗩棖缂備浇椴搁幐鎼侇敇婵傜ǹ妞藉ù锝嚽规竟搴ㄦ⒒娴d警鏀版繛鍛礋閹囨偐鐠囪尙鐤囬梺缁樕戝鍧楀极閸℃稒鐓曢柟閭﹀枛娴滈箖鏌﹂幋婵愭Ш缂佽鲸鎹囧畷鎺戔枎閹存繂顬夐梻浣告啞閸旀洟鈥﹂悜鐣屽祦闊洦绋掗弲鎼佹煥閻曞倹瀚�28缂傚倸鍊搁崐鎼佸磹妞嬪孩顐介柨鐔哄Т绾捐顭块懜闈涘Е闁轰礁顑囬幉鎼佸籍閸稈鍋撴担鑲濇棃宕ㄩ闂寸盎闂備焦鍎崇换鎰耿闁秵鍋傞悗锝庡枟閳锋垿鎮峰▎蹇擃仾闁稿孩顨婇弻娑㈠Ω閵壯嶇礊婵犮垼顫夊ú鐔煎极閹剧粯鏅搁柨鐕傛嫹
相关话题/信号 运动 系统 数据 过程

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 基于统计α算法的过程挖掘*
    工作流技术逐渐成为大型企业管理业务流程的主要工具,其中工作流建模是工作流管理的基础,也是决定业务流程管理是否科学的先决条件,因此需要利用过程挖掘思想进行工作流建模,确保业务流程模型的有效性和准确性。过程挖掘是从事件日志中发现过程、控制、数据、组织和社会结构等信息的重要工具,该工具有助于分析和改进已经 ...
    本站小编 Free考研考试 2021-12-25
  • 基于形态学的自动驾驶仪振动信号基线漂移去噪*
    导弹自动驾驶仪包含陀螺仪、加速度计等敏感元件,其对调整和稳定弹体姿态有着重要的作用。为了更好地检测自动驾驶仪性能,测试中通常要进行环境振动试验。然而振动测试中,由于硬件不稳定,使采集到的信号污染严重[1],再加之由于敏感元件零偏不稳定,造成积分器输出的信号存在基线漂移,这对后续信号特征的提取产生了很 ...
    本站小编 Free考研考试 2021-12-25
  • 基于CPS方法的工业机器人系统*
    目前,生产越来越趋向于小批量和个性化,制造周期越来越短,制造成本越来越低。对柔性生产来说,生产过程根据加工需要调整的需求越来越迫切。信息物理融合系统(Cyber-PhysicalSystem,CPS)深度融合了计算、控制和通信技术[1-2],能够满足生产柔性化和开放化的要求[3]。CPS是计算和物理 ...
    本站小编 Free考研考试 2021-12-25
  • 基于系统PSN曲线的齿轮箱疲劳可靠度评估*
    齿轮传动系统在可靠度意义上可视为串联系统,系统中任意轮齿疲劳失效则系统失效。齿轮传动系统作为设备中造价昂贵的关键部件,其疲劳可靠度评估十分重要。目前,科研人员针对齿轮传动系统可靠度评估问题进行了许多研究,研究方法有通过对产品寿命直接分析,通过状态监测手段评估,以及基于应力-强度干涉模型的评估方法。通 ...
    本站小编 Free考研考试 2021-12-25
  • 导航卫星双频复用信号模拟失真的仿真*
    卫星有效载荷是资源与功率受限的系统。为了提高功率效率,载荷高功率放大器(HighPowerAmplifier,HPA)通常工作在饱和状态,这种情况下非恒包络的导航信号经过HPA放大后会产生较大的非线性失真;因而现代导航信号生成时在HPA放大前需要将同一频带的多个信号分量在数字基带进行恒包络复用调制; ...
    本站小编 Free考研考试 2021-12-25
  • 基于Wiener过程的发动机多阶段剩余寿命预测*
    发动机的失效是材料处于恶劣的运行环境下缓慢退化的结果[1-2]。随着系统复杂程度的提高,传统基于失效机理模型的方法很难构建出可靠的故障模型来对应产品的失效过程[3-4]。基于统计性能退化监测数据的方法只需要运行过程中产生的退化数据,不必建立精确的数学模型,具有较高的计算优势。目前,基于统计性能退化监 ...
    本站小编 Free考研考试 2021-12-25
  • 高速柔性转子系统非线性振动响应特征分析*
    航空发动机中,高速柔性转子为工作转速在弯曲振型临界转速之上的转子系统,该类转子系统往往采用多支点支承的方案,但受制造及装配工艺的限制,往往存在支承不同心问题。与地面设备相比,航空燃气涡轮发动机转子具有工作转速高、工作过程中除传递较大扭矩外还传递轴向力的特点,因此,多支点支承高速柔性转子系统在支承不同 ...
    本站小编 Free考研考试 2021-12-25
  • 基于Rao-Blackwellized蒙特卡罗数据关联的检测跟踪联合优化*
    “低慢小”目标的探测是一个世界性难题,困难主要源于以下3个方面[1-2]:①飞行高度“低”,一般在1000m以下,地面雷达观测时会有大量杂波进入接收机,尤其在建筑密集的城市环境中,探测难度更大。②飞行速度“慢”,一般小于200km/h,其回波信号处于杂波主瓣区,容易与鸟群等低速杂波混淆。为防止过多虚 ...
    本站小编 Free考研考试 2021-12-25
  • 月基平台对地观测数据传输链路方案设计及分析*
    随着中国航天技术和探月工程的不断发展,利用月球作为观测平台开展对地观测的理念,已成为国内外月球开发研究中的前沿思路之一[1-2]。建立良好的对地观测平台有助于更加全面地了解和认识地球,相较于传统的星载平台,月基平台具有更远的观测距离(3.8×105km),能够覆盖更宽的地球表面;具有更大的平台搭建空 ...
    本站小编 Free考研考试 2021-12-25
  • 超流体陀螺相位波动噪声自适应抵消系统分析*
    进入21世纪,量子技术特别是低温物理学的研究取得了重大突破[1],由此诞生了基于物质波干涉的新型低温超流体陀螺[2]。该陀螺是利用液氦在低温条件下呈现的量子宏观效应,基于物质波Sagnac效应实现角速率敏感的一类新概念陀螺,其计算灵敏度比激光干涉陀螺高将近10个数量级,因此引起各国的极大兴趣[3]。 ...
    本站小编 Free考研考试 2021-12-25
闂傚倸鍊搁崐椋庣矆娴h櫣绀婂┑鐘插€寸紓姘辨喐閺冨牄鈧線寮介鐐茶€垮┑锛勫仧缁垶寮悩缁樷拺闂侇偆鍋涢懟顖涙櫠閹绢喗鐓熼柟鍨暙娴滄壆鈧娲栨晶搴ㄥ箲閸曨剚濮滈柡澶嬪閻庢娊姊婚崒娆戠獢闁逞屽墰閸嬫盯鎳熼娑欐珷濞寸厧鐡ㄩ悡鏇㈡煟濡崵鍙€闁告瑥瀚埀顒冾潐濞插繘宕归懞銉ょ箚闁割偅娲栭悙濠囨煏婵炲灝鍔村ù鍏兼礋濮婃椽鎳¢妶鍛€鹃梺鑽ゅ枂閸庢娊鍩€椤掍礁鍤柛娆忓暙椤曪綁骞庨挊澶愬敹闂侀潧顧€婵″洭宕㈤柆宥嗏拺鐟滅増甯掓禍浼存煕閹惧鎳囬柕鍡楀暙閳诲酣骞嬮悩纰夌床闂備礁鎲¢悷锕傛晪閻庤鎸稿Λ娑㈠焵椤掑喚娼愭繛鎻掔箻瀹曟繈骞嬮敃鈧弸渚€鏌熼崜褏甯涢柡鍛倐閺屻劑鎮ら崒娑橆伓闂傚倸鍊搁崐鐑芥倿閿旈敮鍋撶粭娑樻噽閻瑩鏌熸潏楣冩闁稿孩鏌ㄩ埞鎴﹀磼濮橆厼鏆堥梺绋款儑閸犳劗鎹㈠☉銏犵婵炲棗绻掓禒鑲╃磼缂併垹骞愰柛瀣崌濮婅櫣鎷犻弻銉偓妤佺節閳ь剚娼忛妸锕€寮块柣搴ㄦ涧閹芥粍绋夊鍡愪簻闁哄稁鍋勬禒锕傛煟閹惧瓨绀冪紒缁樼洴瀹曞崬螣閸濆嫷娼曞┑鐘媰鐏炶棄顫紓浣虹帛缁诲牓宕洪埀顒併亜閹烘垵顏╃紒鐘劜閵囧嫰寮埀顒勫磿閸愯尙鏆﹂柕澶堝劗閺€浠嬫煟閹邦剙绾фい銉у仱閹粙顢涘⿰鍐ф婵犵鈧磭鍩fい銏℃礋閺佸倿鎮剧仦钘夌闂傚倷鑳舵灙闁哄牜鍓涚划娆撳箻鐠囪尙鐤囬梺绯曞墲閻燂箓宕戦弽銊х闁糕剝蓱鐏忎即鏌i幘瀛樼濞e洤锕、娑樷枎閹烘繂濡抽梻浣呵圭€涒晠宕归崷顓燁潟闁规崘顕х壕鍏兼叏濡搫鎮戝Δ鏃堟⒒娓氣偓閳ь剛鍋涢懟顖涙櫠鐎涙ḿ绠惧ù锝呭暱閸氭ê鈽夊Ο閿嬵潔闂侀潧绻嗛埀顒€鍘栭崙鑺ョ節閻㈤潧孝闁挎洏鍊濋幃褎绻濋崶褏鏌у銈嗗笒鐎氼參鎮¢妷鈺傜厽闁哄洨鍋涢埀顒€婀遍埀顒佺啲閹凤拷