| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 课题研究背景和意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 分类算法概述 | 第15-16页 |
| 1.2.2 极限学习机及自组织网络概述 | 第16-18页 |
| 1.2.3 脑-机接口技术概述 | 第18-19页 |
| 1.3 课题研究内容 | 第19-20页 |
| 1.4 论文组织结构 | 第20-22页 |
| 第二章 概率估计器的创建 | 第22-28页 |
| 2.1 最近邻规则 | 第22页 |
| 2.2 利用有限的样本近似估计样本概率分布 | 第22-27页 |
| 2.2.1 一维样本的概率分布估计 | 第22-24页 |
| 2.2.2 多维样本的概率分布估计 | 第24-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 无模型分类算法 | 第28-44页 |
| 3.1 无模型分类算法描述 | 第28-30页 |
| 3.2 无模型分类算法时间复杂度分析 | 第30-31页 |
| 3.3 针对高维数据处理的讨论 | 第31-32页 |
| 3.4 数据分析 | 第32-35页 |
| 3.4.1 Pearson相关分析及偏相关分析 | 第32-33页 |
| 3.4.2 UCI样本数据分析 | 第33-35页 |
| 3.5 算法比较及分析 | 第35-38页 |
| 3.6 MFBC算法的性能分析 | 第38-43页 |
| 3.6.1 分类器性能因子评估 | 第38-40页 |
| 3.6.2 分类算法敏感性分析 | 第40-42页 |
| 3.6.3 分类算法收敛性分析 | 第42-43页 |
| 3.7 本章小结 | 第43-44页 |
| 第四章 基于自组织ELM的MFBC扩展算法 | 第44-60页 |
| 4.1 极限学习机算法 | 第44-45页 |
| 4.2 自组织特征提取算法 | 第45-55页 |
| 4.2.1 单隐藏层前向网络(SLFN)的结构 | 第45-46页 |
| 4.2.2 自组织特征提取算法 | 第46-55页 |
| 4.3 实验结果 | 第55-59页 |
| 4.3.1 人工合成数据集的测试 | 第58-59页 |
| 4.3.2 真实数据集的测试 | 第59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 基于MFBC的脑电波原始数据的分类 | 第60-74页 |
| 5.1 脑电波原始数据介绍 | 第60-61页 |
| 5.2 公共空间模式算法介绍 | 第61-63页 |
| 5.3 模糊聚类对人造脑电波信号数据与真实脑电波信号数据的区分 | 第63-66页 |
| 5.3.1 模糊C均值聚类算法介绍 | 第63-65页 |
| 5.3.2 基于FCM算法识别人工合成脑电波信号数据 | 第65-66页 |
| 5.4 脑电波原始数据的分类 | 第66-69页 |
| 5.4.1 脑电波原始数据预处理及分类流程设计 | 第66-67页 |
| 5.4.2 实验结果及分析 | 第67-69页 |
| 5.5 基于MFBC算法的脑电波信号识别系统设计 | 第69-72页 |
| 5.5.1 UCI数据分析界面设计 | 第69-70页 |
| 5.5.2 MFBC回归分析界面设计 | 第70-71页 |
| 5.5.3 EEG数据分析界面设计 | 第71-72页 |
| 5.6 本章小结 | 第72-74页 |
| 第六章 总结及展望 | 第74-76页 |
| 6.1 总结 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 参考文献 | 第76-84页 |
| 致谢 | 第84-86页 |
| 研究成果及发表的学术论文 | 第86-88页 |
| 作者和导师简介 | 第88-90页 |
| 附件 | 第90-91页 |