近似熵

摘要： 基于脑电非线性动力学特征,探究经皮穴位电刺激(TEAS)内关穴对焦虑的影响及其机制。实验选取12位焦虑受试者随机分为TEAS内关穴干预组(穴位组)和TEAS非穴位干预组(非穴位组),分别采集电刺激前后各组受试者脑电数据,提取脑电信号的特征近似熵(ApEn)与关联维数(D_(2)),分析大脑复杂度的变化,同时比较电刺激前后焦虑自评量表(SAS)评分变化进行效果评定。实验表明,电刺激后穴位组的SAS量表评分比刺激前显著降低,且各个脑区的复杂度均存在下降趋势,脑电信号的ApEn在AF3、F7、F3、P7、F8、F4、AF4通道具有显著性差异(p<0.05),D_(2)在AF3、F3、Fc5、T7、P7、F8、F4、AF4通道存在显著性差异(p<0.05);但非穴位组量表评分及参数值均无明显变化。进而得出TEAS内关穴能有效缓解焦虑情绪,并改善各脑区的复杂度,尤以左、右额区及左右颞区最为明显。

摘要： 针对现有基于商用WiFi设备的人体手势识别方法存在的子载波选择不够优化、动作区间截取不够精确等问题,提出一种基于近似熵子载波选择的人体手势识别(AEGR)方法。利用提出的最小近似熵法构建识别方法待处理的CSI幅值数据,对构建的数据采用小波去噪和中值滤波组合法进行去噪;利用滑动窗极差法精确截取CSI幅值的动作区间,据此提取用于分类的8个特征量;利用随机森林算法进行人体手势识别。实验结果表明,AEGR方法的手势识别准确率可达98.75%,验证了其良好性能。

摘要： 为了提高供水管泄漏检测准确率,提出一种基于希尔伯特黄变换(Hilbert-Huang Transform,HHT)与近似熵的管道泄漏检测方法。首先,对泄漏信号进行HHT处理,得到信号的Hilbert边际谱,从频率上将泄漏信号和噪声信号区分开;然后,将泄漏信号的Hilbert边际谱作为输入对象,求解有效频段内的近似熵,并将近似熵作为泄漏检测的判决对象。实验结果表明,提出方法的泄漏检测准确率达95%以上。

摘要： 为了探究新超混沌系统的自适应控制及其在保密通信中的应用.首先基于Lyapunov稳定性定理,构造自适应控制器和未知参数的辨识法则,仅对系统的部分状态变量进行控制,就能使得系统的所有状态变量快速稳定于原点.然后基于数值仿真方法,利用系统未知参数辨识法则,能够准确辨识参数所在项的值.最后利用近似熵最大的混沌信号遮掩保密通信的有用信号,提高保密通信的信息安全性.

摘要： 为客观准确评估飞行员在飞行过程中对发生的异常事件的处理能力,在A320NEO/CEO全任务飞行模拟器中设定异常事件,并利用脑电设备进行实验信号采集。脑电信号(electroencephalography,EEG)经独立成分分析(independent component analysis,ICA)等预处理后,通过近似熵法与小波包分析法提取相应特征以构建特征集,再选择适用于脑电领域的机器学习算法构建模型,并引入F_(1)、ROC-AUC曲线等模型评价指标对构建的模型进行评价。分析结果显示随机森林算法所构建的模型的分类效果最好,其准确度为88.5%,F_(1)为84.2%,AUC为0.95。研究表明该模型预测精度良好,可用于辅助飞行员训练与评估。

摘要： 近年,随着环境治理要求的不断提升,汽车尾气作为污染的主要来源之一.汽车工业是我国如今重点关注的对象,而汽车行驶工况在是汽车工业界内被看做是反映汽车性能的主要标准,因此对于工况的研究就成了时下急需的研究项目之一.本文根据汽车行驶工况的各项行业参数,研究出一种通用的反映我国不同地区汽车行驶工况的方法.同时在对复杂数据降维时,利用了深度学习中的降噪自编码器降维方式,取得了较优且贴合实际意义的实验效果.本文数据来源于对上海市嘉定区汽车实验所得,在对数据处理后,经过本征模态分析、特征提取、动态时间规划、小波分解等不同手段和方式实现了对通用工况图的构建,为以后我国其余城市和总体大致的工况图构建提供参考.

摘要： 针对异步电机故障发生率高、故障类别难以有效识别的问题,提出一种基于近似熵与支持向量机的故障诊断方法.通过构造故障再现试验,分别测取4种不同状态类别的多测点振动信号样本.利用近似熵算法计算其近似熵样本值,得到4种不同状态类别的近似熵故障特征向量.结合支持向量机算法,构建支持向量机分类模型.近似熵特征量被划分为训练样本和测试样本,经验证其故障诊断准确率达97.5％,改进BP神经网络诊断方法的准确率为92.5％,结果表明:近似熵结合支持向量机方法具有更高的诊断精度.

摘要： 为了保留电极之间的空间信息以及充分提取脑电信号(Electroencephalogram,EEG)特征,提高情感识别的准确率,提出一种基于三维输入卷积神经网络的特征学习和分类算法.采用单熵(近似熵(Approximate Entropy,ApEn)、排列熵(Permutation Entropy,PeEn)和奇异值分解熵(Singular value decomposition Entropy,SvdEn))以及其组合熵特征,分别在DEAP数据集进行效价和唤醒度两个维度上的情感识别实验.实验结果表明,采用组合熵特征比单熵特征在情感识别实验中准确率有显著提高.最高组合熵特征平均准确率在效价和唤醒度上分别为94.14％和94.44％,比最高单熵特征平均准确率分别提高了5.05个百分点和4.49个百分点.

摘要： 提出一种基于暂态零序电流近似熵算法的故障区段定位方法.首先提取沿线各检测点暂态零序电流波形前1/4周期数据;然后通过计算其近似熵值及相邻检测点近似熵值比值,为判断故障区段设定阈值;最后通过MAT-LAB/Simulink建立10 kV中性点不接地配电网模型进行仿真分析,验证了该方法的有效性,且不受故障初相角、接地电阻的影响.

摘要： 为准确提取滚动轴承振动信号的故障特征,并对不同状态信号进行划分,提出了一种基于自适应局部迭代滤波(ALIF)和模糊C均值(KFCM)聚类的滚动轴承故障诊断方法.首先,将多模态信号自适应分解为多阶单一模态分量;然后,结合相关系数提取出含有最多故障特征信息的最优分量,计算其近似熵值并构建特征向量矩阵;最后,将得到的特征向量输入KFCM得到聚类结果.试验结果表明,与基于EMD,EEMD和KFCM聚类,以及ALIF和FCM聚类的方法相比,ALIF和KFCM方法的分类系数更接近1,平均模糊熵更接近0,聚类效果更好,对滚动轴承各类故障信号具有很高的识别度和良好的分类效果.

摘要： 在复杂的背景噪声环境下,基于近似熵理论,利用机动车行驶中辐射的声信号对车辆类型进行识别研究.近似熵具有抗干扰能力强的特点,可用于提取动态背景噪声下机动车声信号的车型特征信息.首先,对声信号进行3层小波包分解;然后利用近似熵量化各子频带信号的不规则性,描述其不同的变化趋势以区别车辆类型.最后,将分解后的8个子频带信号的近似熵相邻比值作为信号的特征向量,输入到支持向量机进行车型分类,实验结果证实了所提方法的可行性和有效性.

摘要： 天然气是一种重要的清洁能源,如何预知未来时刻的天然气负荷,对于燃气公司与上游气源及下游用户之间制定合适的商业计划具有重要的意义.针对天然气短期负荷预测问题,提出基于EMD(Empirical Mode Decomposition,EMD,经验模态分解)-近似熵和LSSVM (Least Squares Support Vector Machine,LSSVM,最小二乘支持向量机)的天然气短期负荷预测模型.首先,针对小波变换方法的不足,采用EMD方法对天然气短期负荷进行多尺度分析,为了减少计算规模及提高预测的准确性,通过EMD-近似熵,将天然气短期负荷时间序列分解为若干个复杂度差异明显的子序列;其次,对各子序列建立LSSVM预测模型,建立没有经过EMD处理的RBF (Radial Basis Function,RBF,径向基函数)神经网络和LSSVM预测模型;最后,以某市天然气门站实际采集的数据样本为算例进行研究.结果表明:EMD-LSSVM预测模型无论在训练时间和预测精度上均优于RBF神经网络预测模型,可满足天然气负荷预测的需要,为在线工程的实际应用提供了理论参考.

摘要： 本文叙述了将声发射检测技术应用于轴承的故障诊断中,通过分析近似熵这种非线性参数,在无故障轴承和有故障轴承不同工况下的变化情况,得出在故障轴承中,近似熵随着径向载荷和转速的增加而增加的现象,取得了较好的诊断效果.

摘要： 针对直流牵引电动机健康状态估计缺乏有效的快速算法问题,提出了一种基于近似熵的直流牵引电动机健康状态实时分析方法.并对传统的近似熵计算方法用矩阵运算进行算法优化,提升了运算速度.针对直流电动机的电磁特性,融合待检测电动机的电流、电压、转速信号信息计算出电动机系统近似熵值,并依此判断电动机健康状态.最后,用直流电动机实验平台的数据验证了该方法的有效性.

摘要： 自动探测和识别脑电(EEG)癫痫波对于临床上预测癫痫发作和辅助医师诊断治疗具有重要意义.本文通过非线性动力学指标--近似熵(ApEn)与支持向量机(SVM)相结合的方法对癫痫发作间歇期EEG和发作期EEG进行分类,通过分类结果来检验非线性动力学指标是否可有效运用于脑电癫痫波的自动实时探测中并验证由非线性动力学指标训练的分类器的泛化能力.首先选取四例病人的脑电癫痫波(一例病人的数据用于训练分类器,另三例病人的数据用于测试分类器),然后按实验要求将数据分段并提取各段特征值,将一例病人的数据用于构建SVM分类器,然后用该SVM分类器对另外三例病人的脑电癫痫波进行分类得到结果.结果表明利用非线性动力学指标训练的分类器具有良好的泛化能力,对三例不同病人的脑电数据的平均分类准确率达93.33％.

摘要： 负荷结构及影响因素日渐复杂,成为提高负荷预测精度的重要瓶颈,因此对负荷的分析是负荷预测必要的准备工作。由于局域波分解所得到的分量代表了构成负荷的基本成分,而这些成分又对应受不同因素影响的负荷信息,同时近似熵能够很好地量化负荷特征,因此本文提出基于局域波与近似熵的负荷分析新方法。首先对负荷进行局域波分解,得到能反映负荷组成的分量及余量;再将各分量进行Hilbert变换,得到Hilbert时频谱和功率谱,分析出各分量对总体负荷的波动贡献;最后计算并对比各分量和实际不同类型负荷的近似熵,研究各分量的物理意义。实例研究说明,该方法可以很好地进行负荷分析。

摘要： 基于脑电分析的脑死亡判定，我们在以往的研究工作中，采用了独立成分分析（ICA）和部分复杂度分析的方法对采集到的19 名昏迷病人和16 名脑死亡者合计47 次的脑电数据进行处理，并使用概率统计法来评估和测算两类不同的脑电数据,从宏观上得出了昏迷病人和脑死亡者的两类脑电确实具有特征差异的结论。本文在对采集到的病人的脑电数据进行近似熵的分析的基础上，进一步分析动态复杂度，以探索昏迷病人和脑死亡者的两类脑电信号的动态特征差异。

摘要： 肌音信号是一种肌肉运动时机械振动产生的声波。在20世纪以前人们对肌声的研究并不多。随着先进的传感技术和计算机技术的发展，国内外学者纷纷开始关注肌音。本文采用近似熵通过噪音信号、肌音信号、周期信号的比较分析，讨论肌音信号的特性。

摘要： 为提高目标识别准确率,以一定数量样本的四类水声目标信号为研究对象,分别提取近似熵、样本熵、模糊熵三种非线性特征作为K近邻分类器(KNN)和支持向量机(SVM)的输入特征.分类结果表明,近似熵和样本熵只能有效区分部分目标类型,而模糊熵特征对于四类目标类型的平均识别率达到了98.55％,验证了模糊熵可作为区分文中四类水声信号的有效特征.

摘要： 利用小波包加权功率以及近似熵参数,研究骨骼肌不同部位的肌音信号特征,通过对腓肠肌不同部位的肌音信号特征的分析,结果表明随着骨骼肌横断面积的减小,以及肌腱部分与肌肉部分的组织成分的变化,其肌音信号的小波包加权功率以及近似熵都随之增加.说明肌声特性可以反演骨骼肌特性的变化,进而对肌肉进行性病变的早期检测(如肌肉萎缩等)应用提供可行的技术路线.

摘要： 本发明提供了一种一种基于小波近似系数熵的多信号智能调制模式识别方法，构建训练信号集，基于深度神经网络方法对多信号调制模式识别系统进行训练，最后调制模式识别结果测试，实现复杂电磁环境下多信号的智能调制模式识别。本发明不仅降低了深度神经网络的复杂度，而且提升了其在低信噪比下的调制识别性能，在复杂电磁环境低信噪比下通过小幅增加深度神经网络训练次数可达到较高的识别率，证明了调制识别方法的有效性。另外，通过选择各尺度小波近似系数熵不同的指数权重矢量，可以将所提出模型扩展到更多的应用领域，表明模型具有较好的可移植性。

摘要： 本发明提出了一种基于近似熵和互近似熵的帕金森患者震颤症状量化评测方法，该方法涉及医疗卫生、模式识别等领域，其特征在于包括：指定动作下拇指震颤数据采集、食指震颤数据采集及统一帕金森病评分量表UPDRS打分；震颤数据预处理；样本训练集与样本测试集划分；震颤数据近似熵与震颤数据之间的互近似熵计算；分类器的模型构建以及方法的有效性验证。本发明方法利用近似熵和互近似熵有效揭示了帕金森患者震颤的规律性和同步性，结合患者的震颤幅度、震颤频率等特征能够准确对患者的震颤症状进行量化分级。本发明方法是一种客观评估帕金森患者震颤症状的方法，可应用于帕金森患者的治疗和康复评估等领域。

摘要： 本发明公开了一种基于滑动窗计算静息态fMRI数据近似熵的方法，该方法包括：获得fMRI数据；数据预处理；基于平均互信息量确定滑动窗的最佳滑动步长；利用滑动窗划分目标脑区时间序列；计算各滑动窗内时间序列的近似熵；计算各滑动窗内时间序列近似熵的平均值，将其作为该脑区时间序列的近似熵。本发明依据短时间间隔内脑信号是平稳(伪平稳)属性，基于滑动窗思想计算了目标脑区时间序列的近似熵，且利用平均互信息量确定了滑动步长，降低了各滑动窗内时间序列的相关程度对近似熵的影响。本方法具有鲁棒性高稳定性强的特点，相较于传统的计算静息态fMRI数据近似熵的方法，能更准确、真实地反映出目标脑区时间序列的复杂度。

摘要： 本发明提出了一种基于近似熵和互近似熵的帕金森患者震颤症状量化评测方法，该方法涉及医疗卫生、模式识别等领域，其特征在于包括：指定动作下拇指震颤数据采集、食指震颤数据采集及统一帕金森病评分量表UPDRS打分；震颤数据预处理；样本训练集与样本测试集划分；震颤数据近似熵与震颤数据之间的互近似熵计算；分类器的模型构建以及方法的有效性验证。本发明方法利用近似熵和互近似熵有效揭示了帕金森患者震颤的规律性和同步性，结合患者的震颤幅度、震颤频率等特征能够准确对患者的震颤症状进行量化分级。本发明方法是一种客观评估帕金森患者震颤症状的方法，可应用于帕金森患者的治疗和康复评估等领域。

摘要： 一种近似熵和样本熵共同最优参数m、r确定的新方法，包括：步骤一：设定时间序列的近似熵和样本熵的参数m和r的不同情景；步骤二：计算不同参数m和r情景的近似熵和样本熵值。步骤三：确定某时间序列不同参数m的近似熵和样本熵的共同最优参数r；步骤四：基于相关系数及其绝对值之和的大小确定适用于所有时间序列的近似熵和样本熵的共同最优参数m、r。该方法保障了两种不同的复杂性测度结果的一致性，从理论上解决了不同的m和r参数导致的近似熵和样本熵值的非一致性问题；该方法简单易操作，计算效率高，计算成果更准确、更科学，既适用于单一研究对象、也适用于多研究对象的情况，有重要的理论意义和实用价值，应用前景广阔。

摘要： 本发明公开了一种基于CEEMDAN结合近似熵的螺旋桨状态识别方法，属于水声信号的目标识别技术领域，也可用于其它旋转机械噪声信号的故障状态的识别与诊断。本发明的步骤为：一、将不同状态下的螺旋桨噪声信号分别进行CEEMDAN分解，得到若干IMF分量及一个残余分量；二、通过相关系数法求出步骤一中各IMF分量与原始信号的相关系数，通过设置一个阈值γ筛选出有效IMF分量；三、统一不同状态下有效IMF分量的数量，并求它们的近似熵值作为各自的特征量；四、利用步骤三中求得的不同状态的特征量结合BP神经网络进行训练与预测，建立起通过螺旋桨噪声信号识别螺旋桨不同状态的特征网络模型。本发明能够准确预测螺旋桨的运行状态，对辨别舰艇类型有着重要的参考作用。

摘要： 本发明提出了基于ITD和近似熵的MEMS陀螺信号预处理技术，本方法首先利用固有时间尺度分解(Intrinsic Time‑scale Decomposition,ITD)将微机电(Micro‑Electro‑Mechanical System,MEMS)陀螺的测量信号分解为一系列固有旋转(IRC)分量；然后利用近似熵计算相邻IRC分量的近似熵的变化量，找到最大熵变化量所对应的IRC分量的数值，分离有效信号分量与噪声信号分量，最终完成信号的重构。本方法属于惯性导航系统领域里的一种信号处理方法，具体涉及对MEMS陀螺的输出信号进行噪声预处理的技术。

摘要： 本发明公开了一种基于脑电信号近似熵的VR诱导晕动症的检测方法，包括如下步骤：S101、采集用户脑电信号；S102、脑电信号预处理；S103、计算脑电信号近似熵的值；S104、VR诱导晕动症检测。本发明通过采集用户的两段脑电信号，一段是正常状态下的脑电信号，一段是处于VR环境中的脑电信号并对它们进行一定的预处理以获取较为纯净的脑电信号，然后分别对这两段脑电信号进行近似熵的计算，当用户正常状态下的脑电信号与VR环境中的脑电信号近似熵的特性差异较为明显时，则可说明用户发生了晕动症的情况，从而实现了对晕动症的有效检测。

摘要： 本发明提供一种基于小波近似熵的VSC短路故障识别方法及系统，其中方法包括构建三相多电平VSC直流配电系统；采集直流配电系统金属性短路故障后的电容电压；将金属性短路故障后的电容电压进行小波分解，得到每层分解系数的小波近似熵；以小波近似熵为故障信号特征向量，组成训练集；根据故障类型设置故障代码，组成输出集；根据训练集和输出集训练BP神经网络，得到训练后的BP神经网络；获取直流配电网实际接地故障时待测线路特征向量；将待测线路特征向量输入至训练后的BP神经网络，输出的故障代码，实现故障识别。小波近似熵结合了小波分析时频局部化特性和近似熵表征暂态信号的特性，可准确对金属性短路故障进行检测识别。

摘要： 本发明涉及设备状态监测与故障诊断领域，公开了一种基于三重近似熵的设备特征提取及状态监测方法，该方法分别利用数据重排算法和替代算法计算原始振动信号的重排信号和替代信号，然后分别计算原始信号、重排信号和替代信号的近似熵，构建三重近似熵特征向量用以描述设备的运行状态，获取设备在不同运行状态下的振动信号，计算设备在不同运行状态下特征向量的各个分量在95%置信水平上的置信区间，如果设备在运行过程中其振动信号的特征向量落在某一预先估计的置信区间内，则判断设备处于该置信区间所对应的状态。本发明适合处理复杂的设备振动信号，能够准确区分设备故障的不同类型和严重程度，状态识别和分类效果好，便于工程应用。