脑电信号分类研究的方法--高斯分类器和支持向量机
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-17页 |
| ·课题背景 | 第9-10页 |
| ·脑电信号特征提取及分类的主要方法 | 第10-15页 |
| ·脑电信号的分析方法 | 第10-11页 |
| ·脑电信号的特征提取 | 第11-12页 |
| ·脑电信号的介绍 | 第12页 |
| ·脑电信号的分类方法 | 第12-15页 |
| ·研究内容与方法 | 第15-17页 |
| ·高斯分类器 | 第15页 |
| ·支持向量机 | 第15-17页 |
| 2 高斯分类器设计理论 | 第17-22页 |
| ·贝叶斯分类器 | 第17-19页 |
| ·统计学原理 | 第17页 |
| ·基于最小风险的贝叶斯准则 | 第17-19页 |
| ·自组织映射 | 第19页 |
| ·高斯混合模型 | 第19-20页 |
| ·梯度下降 | 第20-22页 |
| 3 高斯分类器 | 第22-35页 |
| ·分类器概述 | 第22-24页 |
| ·分类器的实现 | 第24-29页 |
| ·分类器的初始化 | 第24页 |
| ·分类器的训练 | 第24-29页 |
| ·性能测试 | 第29页 |
| ·实验工具的选用和程序的编写 | 第29-35页 |
| 4 高斯分类器的实验结果及分析 | 第35-39页 |
| ·分类结果 | 第35-37页 |
| ·实验结果分析 | 第37-39页 |
| 5 统计学习理论及支持向量机(SVM)算法介绍 | 第39-49页 |
| ·统计学习理论中的重要概念 | 第39-41页 |
| ·VC维 | 第39页 |
| ·推广性的界 | 第39-40页 |
| ·结构风险最小化原理 | 第40-41页 |
| ·支持向量机 | 第41-43页 |
| ·广义最优分类面 | 第41页 |
| ·线性可分问题和线性非可分问题 | 第41-43页 |
| ·各种变形的支持向量机算法 | 第43-46页 |
| ·C-SVM算法及其变形算法系列 | 第44-45页 |
| ·v-SVM算法及其变形算法系列 | 第45-46页 |
| ·SVM的多值分类算法 | 第46-47页 |
| ·一对多分类算法 | 第46-47页 |
| ·一对一(配对)SVM | 第47页 |
| ·核函数 | 第47-49页 |
| ·核函数的定义 | 第47页 |
| ·怎样确定核函数 | 第47-48页 |
| ·几种常见的核函数 | 第48-49页 |
| 6 支持向量机分类方法实现 | 第49-52页 |
| ·处理数据说明 | 第49页 |
| ·核函数与参数选择 | 第49页 |
| ·SVM分类的流程 | 第49-50页 |
| ·实验工具包的选取和程序的编写 | 第50-52页 |
| 7 支持向量机实验结果与分析 | 第52-58页 |
| ·C的选取与识别率之间的关系 | 第52-53页 |
| ·核函数及其参数选取对识别率的影响 | 第53-56页 |
| ·对数据样本成分的分析 | 第56页 |
| ·两种分类器分类结果的比较 | 第56-58页 |
| 8 结论 | 第58-59页 |
| 攻读学位期间获奖和发表论文情况 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-63页 |
