| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 引言 | 第10页 |
| 1.2 研究目的和意义 | 第10-11页 |
| 1.3 研究背景、现状和趋势 | 第11-12页 |
| 1.4 论文主要的研究内容和主要创新点 | 第12-14页 |
| 1.4.1 主要研究内容 | 第12-13页 |
| 1.4.2 主要创新点 | 第13-14页 |
| 1.5 论文结构安排 | 第14-15页 |
| 第二章 神经网络算法对数据态势分类方法的改进及实例 | 第15-26页 |
| 2.1 常用分类方法介绍 | 第15-16页 |
| 2.1.1 基于统计的识别方法 | 第15页 |
| 2.1.2 决策判断法 | 第15-16页 |
| 2.1.3 人工神经网络识别方法 | 第16页 |
| 2.2 常用信号的传统分类方法 | 第16-20页 |
| 2.2.1 常用信号基于特征值阈值分类方法实例 | 第17-20页 |
| 2.3 常用信号基于特征值阈值分类方法的缺点 | 第20页 |
| 2.4 常用信号的神经网络算法进行分类 | 第20-25页 |
| 2.4.1 神经网络算法分类信号实例 | 第21-25页 |
| 2.4.1.1. SVM介绍 | 第21-22页 |
| 2.4.2.2 操作流程 | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 神经网络算法对数据态势预测的方法改进及实例 | 第26-42页 |
| 3.1 常用信号的传统预测方法 | 第26-27页 |
| 3.1.1 常用信号预测实例 | 第26-27页 |
| 3.2 常用信号的神经网络预测模型 | 第27-28页 |
| 3.3 常用信号的神经网络预测方法 | 第28-33页 |
| 3.3.1 常用信号基于神经网络预测方法实例 | 第28-33页 |
| 3.4 遗传算法优化神经网络参数预测实例 | 第33-41页 |
| 3.4.1 遗传算法介绍 | 第33页 |
| 3.4.2 遗传算法主要步骤 | 第33-35页 |
| 3.4.3 应用遗传算法优化网络参数预测实例 | 第35-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 神经网络算法的优化提高 | 第42-55页 |
| 4.1 数据预处理 | 第42-47页 |
| 4.1.1 归一化 | 第42-43页 |
| 4.1.2 数据去噪的方法介绍 | 第43页 |
| 4.1.3 EMD方法进行去噪原理 | 第43-44页 |
| 4.1.4 EMD方法去噪实例过程演示 | 第44-47页 |
| 4.2 网络参数寻优 | 第47-48页 |
| 4.3 混合网络ESN+SVM分类提高分类准确率应用实例 | 第48-54页 |
| 4.3.1 研究背景及意义 | 第48-49页 |
| 4.3.2 基于ESN和SVM的通信信号调制方式分类模型 | 第49-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 神经网络算法在医学信号上分类预测的应用 | 第55-72页 |
| 5.1 将各方面参数作为联合特征的分类 | 第55-57页 |
| 5.2 基于小波包分解方法提取眼动脑电数据特征进行分类 | 第57-60页 |
| 5.3 基于小波变换的心率失常自动诊断 | 第60-71页 |
| 5.3.1 心率异常实验背景介绍 | 第60-62页 |
| 5.3.2 小波变换原理 | 第62页 |
| 5.3.3 小波去噪处理流程 | 第62-63页 |
| 5.3.4 小波多尺度分解去除基线漂移 | 第63-67页 |
| 5.3.5 小波高频去噪 | 第67页 |
| 5.3.6 小波重构及去噪效果评价 | 第67-69页 |
| 5.3.7 分类步骤流程及实验结论 | 第69-71页 |
| 5.4 本章小结 | 第71-72页 |
| 第六章 深度学习算法在态势感知上的应用 | 第72-85页 |
| 6.1 深度学习的发展 | 第72-73页 |
| 6.2 深度学习的训练过程 | 第73-74页 |
| 6.3 深度学习的主要应用 | 第74页 |
| 6.4 基于深度学习卷积神经网络方法的分类 | 第74-83页 |
| 6.4.1 卷积层更新 | 第75-76页 |
| 6.4.2 学习特征map的组合 | 第76-77页 |
| 6.4.3 眼动状态感知实例 | 第77-83页 |
| 6.5 本章小结 | 第83-85页 |
| 第七章 总结与展望 | 第85-86页 |
| 参考文献 | 第86-89页 |
| 附录: 缩略语 | 第89-90页 |
| 攻读硕士学位期间发表论文 | 第90-91页 |
| 致谢 | 第91页 |
