طراحی و بهینه سازی طبقه بندی کننده شبکه عصبی مبتنی بر مارکوارت – لونبرگ برای سیگنالهای EMG برای شناسایی حرکات دست

قیمت: 41,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

طراحی و بهینه سازی طبقه بندی کننده شبکه عصبی مبتنی بر مارکوارت – لونبرگ برای سیگنالهای EMG برای شناسایی حرکات دست

عنوان لاتین

Design and Optimization of Levenberg-Marquardt based Neural Network Classifier for EMG Signals to Identify Hand Motions

این مقاله کاربردی از شبکه عصبی مصنوعی را برای طبقه بندی سیگنال EMG تک کاناله در زمینه تشخیص حرکت دست ارائه می کند. هفت ویژگی ورودی آماری که از سیگنالهای EMG تک کاناله پیش پردازش شده ثبت شده برای چهار حرکت دست از پیش تعریف شده استخراج می شوند برای طبقه بندی کننده شبکه عصبی استفاده شده اند. ساختارهای مختلف شبکه های اجتماعی، بر مبنای تعداد نورونهای مخفی و دو الگوریتم آموزشی برجسته، در این تحقیق برای یافتن کاربردپذیریشان برای طبقه بندی سیگنال EMG در نظر گرفته شده اند. این عملیاتهای طبقه بندی برای معماریهای مختلف شبکه عصبی با در نظر گرفتن تعداد ویژگیهای ورودی، تعداد نورونهای مخفی، الگوریتمهای یادگیری، همبستگی بین ورودیها و هدفهای شبکه، و خطای میانگین مربع آنالیز می شوند. بین الگوریتمهای یادگیری الگوریتم گرادیان مزدوج مدرج و مارکوارت – لونبرگ، الگوریتم مارکوارت – لونبرگ عملکرد طبقه بندی بهتری را نشان می دهد. نتایج این تحقیق نشان می دهند که طراحی بهینه طبقه بندی کننده شبکه عصبی مبتنی بر مارکوارت – لونبرگ می تواند با یک نرخ متوسط موفقیت طبقه بندی 88.4% عملکرد خوبی داشته باشد. مقایسه ای از نتایج برای اعتبارسنجی کارائی طبقه-بندی کننده شبکه عصبی طراحی شده برای متمایزسازی سیگنالهای EMG ارائه شده است.

This paper presents an application of artificial neural network for the classification of single channel EMG signal in the context of hand motion detection. Seven statistical input features that are extracted from the preprocessed single channel EMG signals recorded for four predefined hand motions have been used for neural network classifier. Different structures of neural network, based on the number of hidden neurons and two prominent training algorithms, have been considered in the research to find out their applicability for EMG signal classification. The classification performances are analyzed for different architectures of neural network by considering the number of input features, number of hidden neurons, learning algorithms, correlation between network outputs and targets, and mean square error. Between the Levenberg-Marquardt and scaled conjugate gradient learning algorithms, the aforesaid algorithm shows better classification performance. The outcomes of the research show that the optimal design of Levenberg-Marquardt based neural network classifier can perform well with an average classification success rate of 88.4%. A comparison of results has also been presented to validate the effectiveness of the designed neural network classifier to discriminate EMG signals.