| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-16页 |
| ·课题研究的背景及意义 | 第9-10页 |
| ·脉象信号分析的发展及国内外研究现状 | 第10-12页 |
| ·脉象信号的特征提取方法 | 第11页 |
| ·脉像模式识别与分类 | 第11-12页 |
| ·时间序列分析的发展及国内外研究现状 | 第12-13页 |
| ·人工神经网络的发展及国内外研究现状 | 第13-14页 |
| ·本论文的研究工作 | 第14-16页 |
| 2 脉象信号及其采集与数据预处理 | 第16-20页 |
| ·脉象信号原理 | 第16-17页 |
| ·脉象信号的采集 | 第17页 |
| ·脉象信号的选取 | 第17-18页 |
| ·数据的选取与预处理 | 第18-20页 |
| 3 时间序列基本理论及其在脉象信号分析中的应用 | 第20-39页 |
| ·时间序列和随机过程的概念 | 第20-21页 |
| ·时间序列 | 第20页 |
| ·随机过程 | 第20-21页 |
| ·时间序列的特性分析 | 第21页 |
| ·时间序列的随机性 | 第21页 |
| ·时间序列的平稳性 | 第21页 |
| ·时间序列的季节性 | 第21页 |
| ·时间序列的平稳性与非平稳性 | 第21-23页 |
| ·判断平稳时间序列的常用方法 | 第21-23页 |
| ·非平稳时间序列转化为平稳时间序列 | 第23页 |
| ·随机过程的有关统计特性 | 第23-24页 |
| ·AR 模型的建立 | 第24-30页 |
| ·AR 模型的基本概念 | 第24-26页 |
| ·AR 模型的阶数确定 | 第26-28页 |
| ·AR 模型的参数估计 | 第28-30页 |
| ·脉象信号的特征参数提取 | 第30-38页 |
| ·基于自相关系数的特征提取 | 第30-35页 |
| ·基于AR 模型系数的特征提取 | 第35-38页 |
| ·本章小结 | 第38-39页 |
| 4 基于BP 神经网络的模式分类 | 第39-66页 |
| ·人工神经网络的基本原理 | 第39-42页 |
| ·人工神经网络的生物学基础 | 第39页 |
| ·人工神经网络简介 | 第39-41页 |
| ·人工神经元的基本原理 | 第41-42页 |
| ·反向传播BP(BACK PROPAGATION)网络算法及其改进 | 第42-52页 |
| ·BP 算法 | 第42-49页 |
| ·BP 算法存在的缺点及改进方法 | 第49-51页 |
| ·LM 算法 | 第51-52页 |
| ·神经网络的设计 | 第52-54页 |
| ·脉象信号的分类识别 | 第54-65页 |
| ·网络的训练 | 第54-60页 |
| ·脉象信号的识别 | 第60-65页 |
| ·本章小结 | 第65-66页 |
| 5 脉象信号的分析方法对比 | 第66-69页 |
| ·自相关系数法与AR 模型系数法对比 | 第66页 |
| ·标准BP 算法与LM 算法的网络分类对比 | 第66-69页 |
| 6 结论 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 附录 | 第75页 |