基于半监督的脑磁图视觉目标分类算法
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.1.1 脑磁图测量设备发展及测量原理 | 第8页 |
| 1.1.2 脑磁图特点 | 第8-10页 |
| 1.1.3 脑磁图应用前景 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 脑磁图信号特征提取 | 第11-12页 |
| 1.2.2 脑磁图信号分类与检测 | 第12-13页 |
| 1.3 课题研究目的与研究内容以及实验数据 | 第13-15页 |
| 1.3.1 课题研究目的 | 第13-14页 |
| 1.3.2 课题研究内容 | 第14页 |
| 1.3.3 实验数据 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第二章 信号分类算法基础 | 第16-37页 |
| 2.1 信号去噪 | 第16页 |
| 2.2 小波去噪算法 | 第16-17页 |
| 2.2.1 小波去噪介绍 | 第16-17页 |
| 2.2.2 小波变换的定义与特点 | 第17页 |
| 2.3 信号频率滤波 | 第17-20页 |
| 2.3.1 低通滤波器 | 第18页 |
| 2.3.2 带馅滤波器 | 第18-19页 |
| 2.3.3 平滑空间滤波器 | 第19-20页 |
| 2.4 信号降维方法 | 第20-21页 |
| 2.4.1 PCA降维方法 | 第20页 |
| 2.4.2 自编码降维 | 第20-21页 |
| 2.5 信号分类算法 | 第21-22页 |
| 2.6 有监督学习算法SVM | 第22-26页 |
| 2.6.1 SVM分类器的线性可分模型 | 第22-24页 |
| 2.6.2 SVM线性近似可分模型 | 第24-25页 |
| 2.6.3 SVM线性不可分模型 | 第25-26页 |
| 2.7 Lasso算法 | 第26-30页 |
| 2.7.1 Lasso基本模型 | 第26-27页 |
| 2.7.2 Lasso相关模型 | 第27-30页 |
| 2.8 无监督算法 | 第30-35页 |
| 2.8.1 密度和网格的无监督聚类方式 | 第30-31页 |
| 2.8.2 图论的无监督聚类方式 | 第31-32页 |
| 2.8.3 目标函数的聚类方式 | 第32-33页 |
| 2.8.4 层次聚类的方式 | 第33-35页 |
| 2.9 本章小结 | 第35-37页 |
| 第三章 脑磁图信号去噪和特征提取 | 第37-46页 |
| 3.1 脑磁图信号去噪 | 第37-40页 |
| 3.1.1 基于小波变换对脑磁图信号去噪 | 第37-38页 |
| 3.1.2 基于组合滤波器对脑磁图信号去噪 | 第38-39页 |
| 3.1.3 实验结果分析 | 第39-40页 |
| 3.2 脑磁图信号特征提取 | 第40-45页 |
| 3.2.1 基于PCA的特征提取 | 第40-41页 |
| 3.2.2 基于自编码的特征提取 | 第41-42页 |
| 3.2.3 基于协方差的特征提取 | 第42-44页 |
| 3.2.4 实验结果分析 | 第44-45页 |
| 3.3 本章小结 | 第45-46页 |
| 第四章 脑磁图信号分类 | 第46-57页 |
| 4.1 有监督的分类方式 | 第46-50页 |
| 4.1.1 SVM分类 | 第46-47页 |
| 4.1.2 Lasso分类 | 第47页 |
| 4.1.3 SVM和Lasso组合分类 | 第47-49页 |
| 4.1.4 实验结果分析 | 第49-50页 |
| 4.2 无监督的聚类 | 第50-56页 |
| 4.2.1 基于巴氏距离的聚类 | 第50-52页 |
| 4.2.2 基于黎曼距离的分类 | 第52-54页 |
| 4.2.3 巴氏距离和黎曼距离组合分类 | 第54-55页 |
| 4.2.4 实验结果分析 | 第55-56页 |
| 4.2.5 算法流程与算法验证 | 第56页 |
| 4.3 本章小结 | 第56-57页 |
| 第五章 总结展望 | 第57-59页 |
| 5.1 工作总结 | 第57-58页 |
| 5.2 工作展望 | 第58-59页 |
| 参考文献 | 第59-66页 |
| 发表论文和科研情况说明 | 第66-67页 |
| 致谢 | 第67-68页 |
