| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第12-17页 |
| 1.1 课题背景及意义 | 第12-13页 |
| 1.2 课题研究现状 | 第13-15页 |
| 1.3 论文创新点 | 第15页 |
| 1.4 论文组织结构和研究内容 | 第15-17页 |
| 2 支持向量机及其改进 | 第17-39页 |
| 2.1 统计学习理论的基本内容 | 第17-23页 |
| 2.1.1 机器学习的基本问题 | 第17-20页 |
| 2.1.2 统计学习理论的核心内容 | 第20-23页 |
| 2.2 支持向量机 | 第23-28页 |
| 2.2.1 广义最优分类面 | 第23-25页 |
| 2.2.2 核函数特征空间 | 第25-27页 |
| 2.2.3 回归支持向量机 | 第27-28页 |
| 2.3 改进的支持向量机 | 第28-39页 |
| 2.3.1 最小二乘支持向量机 | 第28-30页 |
| 2.3.2 萤火虫算法用于LSSVM参数优化 | 第30-33页 |
| 2.3.3 改进的萤火虫算法用于LSSVM参数优化 | 第33-35页 |
| 2.3.4 混合核函数 | 第35-39页 |
| 3 SVM在胎儿心电提取中的应用 | 第39-48页 |
| 3.1 胎儿心电检测的特点 | 第39-41页 |
| 3.1.1 胎儿心电的形态分析 | 第39-40页 |
| 3.1.2 采集胎儿心电的噪声源分析 | 第40-41页 |
| 3.2 基于MGSO-LSSVM的胎儿心电信号提取 | 第41-48页 |
| 3.2.1 胎儿心电信号提取的数学模型 | 第41-44页 |
| 3.2.2 胎儿心电信号提取步骤 | 第44-45页 |
| 3.2.3 Savitzky-Golay去噪技术 | 第45-48页 |
| 4 实验和分析 | 第48-61页 |
| 4.1 实验平台和仿真环境 | 第48页 |
| 4.2 算法的性能评价 | 第48-50页 |
| 4.3 实验数据和参数的选择 | 第50-54页 |
| 4.3.1 实验数据 | 第50-51页 |
| 4.3.2 实验参数的选择 | 第51-54页 |
| 4.4 胎儿心电信号提取的实验结果 | 第54-57页 |
| 4.5 胎儿心电信号提取的对比实验 | 第57-61页 |
| 5 总结和展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 作者简介 | 第68-69页 |
| 作者攻读硕士学位期间发表的论文 | 第69页 |