[發明專利]一種模式識別方法和腦電波信號處理方法以及基于腦電波的智能家居控制系統

在審

• 申請號: 201710407597.5
• 申請日: 2017-06-02
• 公開（公告）號: CN107219927A
• 公開（公告）日: 2017-09-29
• 發明（設計）人: 李暢;張興;顏飛;史偉;李萬杰
• 申請（專利權）人: 遼寧工業大學
• 主分類號: G06F3/01
• 分類號: G06F3/01;G06N3/04;G06N3/08
• 代理公司: 北京遠大卓悅知識產權代理事務所(普通合伙)11369
• 代理人: 周明飛

1.一種基于極限學習機算法的模式識別方法，其特征在于，包括訓練階段：

步驟1：給定訓練集N＝{(x_i,t_i)|x_i∈Rⁿ,t_i∈Rⁿ,i＝1,2,3,…L}，激勵函數 隱層節點數L，通過公式(1)設定單隱層前向網絡：

其中，x_i為第i個樣本，β_i為第i隱層節點的輸出權值，a_i和b_i分別為隨機生成的輸入神經元與第i個隱層節點的輸入權值和偏置，y_j為第j個隱含層的單隱層前向網絡的輸出，t_i表示第i個樣本的實際標簽；

步驟2：根據步驟1中的單隱層前向網絡，并通過公式(2)擬合訓練樣本；

步驟3：通過公式(3)調整(a_i，b_i，β_i)；

步驟4：通過公式(4)計算輸出權值矩陣β，

t＝Hβ(4)

其中，H為隱含層輸出矩陣，

β為輸出權值矩陣，

β＝[β₁，β₂，…,β_N]^T

t為目標矩陣：

t＝[t₁，t₂，…,t_N]^T。

2.如權利要求1所述的基于極限學習機算法的模式識別方法，其特征在于，根據公式(5)對所述訓練階段進行優化：

3.如權利要求1所述的基于極限學習機算法的模式識別方法，其特征在于，

(1)當L＝N時，通過公式(6)計算β；

β＝H^-1t(6)

(2)當L<<N，通過公式(7)計算β。

β＝H⁺t(7)。

4.一種腦電波信號處理方法，其特征在于，包括：

步驟1：采用盲源分離去噪預處理方法對腦電波信號進行去噪預處理；

步驟2：采用小波包變換特征提取方法對腦電波信號進行特征提取；

步驟3：采用如權利要求1-3任意一項所述的基于極限學習機算法的模式識別方法對腦電波信號進行模式識別。

5.如權利要求4所述的腦電波信號處理方法，其特征在于，所述盲源分離去噪預處理方法包括以下步驟：

步驟1：

一組含噪聲的混合信號x(t)，給定其數學期望為E[x(t)]，對混合信號x(t)進行中心化處理得到觀測矢量

其中，t為時間序列；

步驟2：

通過公式(9)將去均值后的觀測矢量進行線性變換排列矩陣P，得：

其中，v(t)中各個分量互不相關，且滿足E[v(t)v^T(t)＝I]，I為單位矩陣；

根據得到的觀測矢量和給定的數學期望E[x(t)]，通過公式(10)得到協方差矩陣C_x：

通過公式(11)對協方差矩陣C_x其進行特征值分解得：

C_x＝FDF^T(11)

得白化矩陣：

P＝D^(-1/2)F^T

其中，F為特征矢量矩陣，D為對角線上為特征值的對角矩陣。