在诸多物联网实际应用中,原始采集信号数据多含有大量噪声,特别是在运动相关场景里.需从含大量噪声的一维时序信号中对有效信号活动区域起止点进行准确识别,以支持相关分析.已有的基于双阈值规则的识别方法对噪声十分敏感,噪声的存在会...在诸多物联网实际应用中,原始采集信号数据多含有大量噪声,特别是在运动相关场景里.需从含大量噪声的一维时序信号中对有效信号活动区域起止点进行准确识别,以支持相关分析.已有的基于双阈值规则的识别方法对噪声十分敏感,噪声的存在会导致计算出的识别阈值无法匹配非噪声段的原始数据,从而导致将随机噪声数据识别为信号活动区间或者漏检信号活动区间.基于机器学习和深度学习的识别方法需要大量的样本数据,在样本量较小的物联网场景中模型会产生欠拟合问题,从而降低识别精度.为了对含有大量噪声且数据量少的一维时序信号中的信号活动区间进行准确识别,提出了一种基于局部动态阈值的信号活动区间识别方法EasiLTOM(signal activity interval recognition based on local dynamic threshold).该方法基于局域信号计算识别阈值,并使用最短信号长度对噪声尖峰进行过滤,可避免随机噪声对信号活动区间识别的影响,解决漏检和误检问题,从而提高识别精度.此外,EasiLTOM方法所需数据量小,适用于数据稀少的物联网场景.为验证EasiLTOM方法的有效性,该研究于3个月间采集了14人次的表面肌电数据,并使用2个公开数据集进行了对比实验.结果表明:EasiLTOM方法对信号活动区间可达到平均93.17%的识别精度,相对于现有的双阈值和机器学习方法,分别提升了15.03%和4.70%,在运动分析相关场景中具有实用价值.展开更多
近年来兴起的人工神经网络由于具有较强的自学习适应性和并行信息处理能力,从而在信号处理领域显示出巨大潜力。储备池计算是一种由递归神经网络衍生而来的类脑神经形态计算范式,对随时间变化的连续信号具有非常好的分类和时序预测能力...近年来兴起的人工神经网络由于具有较强的自学习适应性和并行信息处理能力,从而在信号处理领域显示出巨大潜力。储备池计算是一种由递归神经网络衍生而来的类脑神经形态计算范式,对随时间变化的连续信号具有非常好的分类和时序预测能力。本论文提出利用MEMS(Micro-Electro-Mechanical System)梁谐振器的非线性响应特征,设计并搭建了两种储备池计算的拓扑架构。此外,面向雷达信号处理中信号预测、图像识别、雷达信号特征分类和提取等应用需求,针对性地选择了NARMA(Nonlinear Auto Regressive Moving Average Equation of Order)预测任务、MNIST(Mixed National Institute of Standards and Technology)-手写数字图像识别、LFM(Linear frequency modulated)脉冲波形识别与特征提取等测试任务对论文所提两种不同储备池计算架构进行试验验证。同时,实验结果也充分展示了基于非线性MEMS谐振器的储备池计算硬件系统在雷达信号预测、分类与特征提取等应用领域中的应用潜力。为复杂电磁环境下,雷达信号处理提供新的有力工具,也为MEMS传感技术与雷达信号处理技术的交叉融合进行积极探索。展开更多
文摘在诸多物联网实际应用中,原始采集信号数据多含有大量噪声,特别是在运动相关场景里.需从含大量噪声的一维时序信号中对有效信号活动区域起止点进行准确识别,以支持相关分析.已有的基于双阈值规则的识别方法对噪声十分敏感,噪声的存在会导致计算出的识别阈值无法匹配非噪声段的原始数据,从而导致将随机噪声数据识别为信号活动区间或者漏检信号活动区间.基于机器学习和深度学习的识别方法需要大量的样本数据,在样本量较小的物联网场景中模型会产生欠拟合问题,从而降低识别精度.为了对含有大量噪声且数据量少的一维时序信号中的信号活动区间进行准确识别,提出了一种基于局部动态阈值的信号活动区间识别方法EasiLTOM(signal activity interval recognition based on local dynamic threshold).该方法基于局域信号计算识别阈值,并使用最短信号长度对噪声尖峰进行过滤,可避免随机噪声对信号活动区间识别的影响,解决漏检和误检问题,从而提高识别精度.此外,EasiLTOM方法所需数据量小,适用于数据稀少的物联网场景.为验证EasiLTOM方法的有效性,该研究于3个月间采集了14人次的表面肌电数据,并使用2个公开数据集进行了对比实验.结果表明:EasiLTOM方法对信号活动区间可达到平均93.17%的识别精度,相对于现有的双阈值和机器学习方法,分别提升了15.03%和4.70%,在运动分析相关场景中具有实用价值.
文摘近年来兴起的人工神经网络由于具有较强的自学习适应性和并行信息处理能力,从而在信号处理领域显示出巨大潜力。储备池计算是一种由递归神经网络衍生而来的类脑神经形态计算范式,对随时间变化的连续信号具有非常好的分类和时序预测能力。本论文提出利用MEMS(Micro-Electro-Mechanical System)梁谐振器的非线性响应特征,设计并搭建了两种储备池计算的拓扑架构。此外,面向雷达信号处理中信号预测、图像识别、雷达信号特征分类和提取等应用需求,针对性地选择了NARMA(Nonlinear Auto Regressive Moving Average Equation of Order)预测任务、MNIST(Mixed National Institute of Standards and Technology)-手写数字图像识别、LFM(Linear frequency modulated)脉冲波形识别与特征提取等测试任务对论文所提两种不同储备池计算架构进行试验验证。同时,实验结果也充分展示了基于非线性MEMS谐振器的储备池计算硬件系统在雷达信号预测、分类与特征提取等应用领域中的应用潜力。为复杂电磁环境下,雷达信号处理提供新的有力工具,也为MEMS传感技术与雷达信号处理技术的交叉融合进行积极探索。
