【摘 要】
：
提出一种基于降噪自编码神经网络事件相关电位分析方法,首先建立3层神经网络结构,利用降噪自编码对神经网络进行初始化,实现了降噪自编码深度学习模型的无监督学习.从无标签
【机 构】
：
五邑大学信息工程学院,新加坡国立大学生命科学中心
【基金项目】
：
广东省科技发展专项资金(2017A010101034),广东高校特色创新类项目(2016KTSCX141),五邑大学青年基金项目(2018td01),国家留学基金项目([2016]5113),广东省自然科学基金项目(2018A030313882)资助.
论文部分内容阅读
提出一种基于降噪自编码神经网络事件相关电位分析方法,首先建立3层神经网络结构,利用降噪自编码对神经网络进行初始化,实现了降噪自编码深度学习模型的无监督学习.从无标签数据中自动学习数据特征,通过优化模型训练得到的权值作为神经网络初始化参数.其次,经过有标签的样本进行网络参数的微调即可完成对神经网络的训练,该方法有效解决了神经网络训练中因随机选择初始化参数,而导致网络易陷入局部极小的缺陷.最后,利用上述神经网络对第3届脑机接口竞赛数据集Data setⅡ(事件相关电位脑电信号)进行分类分析.实验结果表明:利用
其他文献
序批式反应器(SBR)的处理过程的数据具有非高斯分布和高度非线性的特点,传统特征提取方法在进行特征提取时仅仅考虑信息最大化而忽略数据的簇结构信息导致数据特征提取的不完
质子交换膜燃料电池(PEMFC)内部的电化学反应过程直接表现为温度的变化,所以有效的温度控制是保证燃料电池可靠性和耐久性的关键.本文将模糊增量控制用于PEMFC热管理系统中,
论文研究多个非完整移动机器人在控制输入存在干扰时,有限时间一致性控制问题.利用坐标变换,将多移动机器人系统的一致性问题转化为非完整约束链式系统的一致性问题,在控制输
网络演化博弈的优化问题是混合值逻辑网络的一个自然推广.本文研究了一类网络演化博弈的优化控制问题,其中每个控制个体在极大化自己的收益时只能获取到邻域信息.首先,利用矩