| 学位论文数据集 | 第3-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 符号和缩略词说明 | 第13-14页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 课题研究背景及意义 | 第14-15页 |
| 1.2 特征提取方法与神经网络 | 第15-18页 |
| 1.2.1 特征提取及研究现状 | 第15-16页 |
| 1.2.2 神经网络研究现状 | 第16-17页 |
| 1.2.3 深度强化学习研究现状 | 第17-18页 |
| 1.3 脑电信号分类与控制器设计 | 第18-21页 |
| 1.3.1 神经网络与脑电信号分类 | 第18-20页 |
| 1.3.2 基于数据驱动的控制器设计 | 第20-21页 |
| 1.4 论文的结构与研究内容 | 第21-22页 |
| 第二章 深度特征提取方法相关基本理论 | 第22-30页 |
| 2.1 深度特征提取的相关方法介绍 | 第22-24页 |
| 2.1.1 卷积神经网络基本原理 | 第22-23页 |
| 2.1.2 自编码神经网络基本原理 | 第23-24页 |
| 2.2 邻近算法基本原理 | 第24-26页 |
| 2.3 值函数逼近基本原理 | 第26-27页 |
| 2.4 正则化方法及其作用 | 第27-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 基于加速邻近算法的卷积神经网络对脑电信号的分类 | 第30-42页 |
| 3.1 引言 | 第30-31页 |
| 3.2 基于加速邻近算法的改进卷积神经网络 | 第31-33页 |
| 3.2.1 权值更新 | 第31-32页 |
| 3.2.2 算法实现 | 第32-33页 |
| 3.3 实验方案设计 | 第33-36页 |
| 3.3.1 数据选择 | 第33-34页 |
| 3.3.2 评估矩阵 | 第34-35页 |
| 3.3.3 实验设计 | 第35-36页 |
| 3.4 仿真结果与分析 | 第36-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 基于加速邻近算法的改进深度自编码网络和最小二乘策略迭代对控制器的设计 | 第42-60页 |
| 4.1 引言 | 第42页 |
| 4.2 强化学习算法中利用RBF神经网络实现特征提取 | 第42-44页 |
| 4.3 基于加速邻近算法的改进深度自编码和LSPI | 第44-47页 |
| 4.3.1 特征选择重构 | 第44-46页 |
| 4.3.2 最小二乘策略迭代 | 第46-47页 |
| 4.4 算法分析 | 第47-48页 |
| 4.5 实验方案设计 | 第48-58页 |
| 4.5.1 倒立摆系统 | 第49-51页 |
| 4.5.2 仿真结果和讨论 | 第51-58页 |
| 4.6 本章小结 | 第58-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60页 |
| 5.2 展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 研究成果及发表的学术论文 | 第68-70页 |
| 作者和导师简介 | 第70-72页 |
| 附件 | 第72-73页 |
