神经网络算法在电磁泄露及脑电信息认知中的应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 本文主要研究内容和结构安排 | 第15-17页 |
| 第二章 USB数据线传输原理及数学模型 | 第17-33页 |
| 2.1 USB传输理论模型 | 第17-23页 |
| 2.1.1 USB数据线的构成 | 第17-18页 |
| 2.1.2 USB传输结构 | 第18-20页 |
| 2.1.3 USB数据格式 | 第20-23页 |
| 2.2 信息传输编码格式 | 第23-25页 |
| 2.3 电磁泄漏基本理论 | 第25-30页 |
| 2.3.1 电磁泄露发射简介 | 第25-27页 |
| 2.3.2 数字信号的电磁泄露发射模型 | 第27-30页 |
| 2.4 泄漏信号的捕获 | 第30-31页 |
| 2.5 信号还原流程 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 ESN和SVM的原理及数学模型 | 第33-43页 |
| 3.1 引言 | 第33页 |
| 3.2 ESN算法导论 | 第33-39页 |
| 3.2.1 回声状态网络原理 | 第35-36页 |
| 3.2.2 回声状态网络参数 | 第36-37页 |
| 3.2.3 回声状态网络过程 | 第37-39页 |
| 3.3 SVM算法导论 | 第39-42页 |
| 3.3.1 支持向量机算法起源 | 第39页 |
| 3.3.2 支持向量机分类原理 | 第39-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 泄漏信号的仿真研究 | 第43-58页 |
| 4.1 引言 | 第43页 |
| 4.2 数据的采集及分析 | 第43-50页 |
| 4.2.1 数据的采集 | 第43-47页 |
| 4.2.2 数据的分析 | 第47-49页 |
| 4.2.3 数据的对比 | 第49-50页 |
| 4.3 数据特征的提取 | 第50-54页 |
| 4.3.1 数据的预处理 | 第50页 |
| 4.3.2 ESN参数的选取 | 第50-52页 |
| 4.3.3 数据特征提取 | 第52-54页 |
| 4.4 数据的分类 | 第54-57页 |
| 4.4.1 二分类 | 第55-57页 |
| 4.4.2 十分类 | 第57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 运动想象脑电信号的模式识别 | 第58-69页 |
| 5.1 脑电信号的识别研究现状 | 第59-60页 |
| 5.2 脑电信号的预处理 | 第60-63页 |
| 5.2.1 运动想象脑电信号 | 第60-61页 |
| 5.2.2 数据截断 | 第61-62页 |
| 5.2.3 数据去噪处理 | 第62-63页 |
| 5.3 脑电信号特征提取 | 第63-64页 |
| 5.4 脑电信号分类 | 第64-67页 |
| 5.4.1 二分类 | 第65-66页 |
| 5.4.2 四分类 | 第66-67页 |
| 5.5 本章小结 | 第67-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-76页 |
| 攻读学位期间取得的研究成果 | 第76页 |
