| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-11页 |
| ·课题的背景 | 第8-9页 |
| ·国内外研究的状况 | 第9-10页 |
| ·本文的内容安排 | 第10-11页 |
| 2 支持向量机算法 | 第11-24页 |
| ·统计学习理论和支持向量机 | 第11-15页 |
| ·VC维 | 第11-13页 |
| ·推广误差边界 | 第13页 |
| ·结构风险最小化归纳原理 | 第13-15页 |
| ·支持向量机算法的基本方法 | 第15-21页 |
| ·线性情况 | 第15-18页 |
| ·非线性情况 | 第18-20页 |
| ·支持向量机算法综述 | 第20-21页 |
| ·SVM与神经网络的性能比较 | 第21-24页 |
| ·SVM与神经网络的相似性 | 第21-22页 |
| ·SVM的优势 | 第22-24页 |
| 3 支持向量机算法的改进 | 第24-30页 |
| ·常规支持向量机算法的不足 | 第24页 |
| ·改进的模糊C均值聚类 | 第24-29页 |
| ·聚类分析 | 第24-25页 |
| ·改进的模糊C均值聚类 | 第25-27页 |
| ·算法性能测试 | 第27-29页 |
| ·基于WFCM的支持向量机算法 | 第29-30页 |
| 4 基于WFCM的支持向量机在儿童步态分类中的应用 | 第30-36页 |
| ·步态数据的标准化和归一化 | 第30-33页 |
| ·数据的标准化 | 第31-32页 |
| ·数据的归一化 | 第32-33页 |
| ·步态分类 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 5 基于WFCM的支持向量机在心电图分类中的应用 | 第36-56页 |
| ·MIT-BIH心电数据库 | 第37-38页 |
| ·ECG数据的预处理 | 第38-42页 |
| ·ECG噪声 | 第38-39页 |
| ·ECG信号去除基线漂移 | 第39-42页 |
| ·R波检测 | 第42-46页 |
| ·小波变换定义及R波检测原理 | 第42-43页 |
| ·R波检测算法 | 第43-46页 |
| ·基于小波包变换的ECG信号的能量提取 | 第46-54页 |
| ·多分辨率分析 | 第46-48页 |
| ·小波包分析 | 第48-51页 |
| ·基于小波包分解的心电信号的特征提取 | 第51-54页 |
| ·支持向量机参数选择 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 6 基于WFCM的支持向量机在心脏病诊断中的应用 | 第56-58页 |
| ·实验数据 | 第56页 |
| ·实验结果 | 第56-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士学位期间发表学术论文情况 | 第62-63页 |
| 致谢 | 第63-64页 |