基于独立分量分析和支持向量机方法的操作员功能状态分类
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-13页 |
| ·课题研究背景和意义 | 第9-10页 |
| ·研究现状 | 第10页 |
| ·论文的主要工作和结构安排 | 第10-13页 |
| 第2章 独立分量分析与支持向量机 | 第13-31页 |
| ·独立分量分析 | 第13-21页 |
| ·独立分量分析数学模型 | 第13-14页 |
| ·ICA分解的基本原则 | 第14页 |
| ·信息论 | 第14-16页 |
| ·数据预处理 | 第16页 |
| ·ICA方法的步骤 | 第16-17页 |
| ·独立性准则 | 第17-18页 |
| ·ICA的典型算法 | 第18-21页 |
| ·Infomax及扩展Infomax算法 | 第18-19页 |
| ·FastICA算法 | 第19-21页 |
| ·算法性能评价 | 第21页 |
| ·机器学习和统计学习理论 | 第21-25页 |
| ·机器学习 | 第21-22页 |
| ·统计学习理论 | 第22-25页 |
| ·损失函数和期望风险 | 第22-23页 |
| ·经验风险 | 第23页 |
| ·学习过程一致性的条件 | 第23-24页 |
| ·VC维理论 | 第24-25页 |
| ·结构风险最小化 | 第25页 |
| ·支持向量机 | 第25-30页 |
| ·支持向量机的基本理论 | 第26-29页 |
| ·支持向量机非线性分类的实现 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 实验设计及数据分析 | 第31-40页 |
| ·电生理信号简介 | 第31页 |
| ·实验设备 | 第31页 |
| ·数据采集实验 | 第31-33页 |
| ·实验方法流程 | 第33-34页 |
| ·数据预处理与特征提取 | 第34-39页 |
| ·数据预处理 | 第34-36页 |
| ·特征提取 | 第36-39页 |
| ·本章小结 | 第39-40页 |
| 第4章 OFS数据分类结果及其分析 | 第40-82页 |
| ·基于ICA方法的EEG去除眼电伪迹 | 第40-48页 |
| ·ICA去除眼电伪迹结果 | 第46-48页 |
| ·ICA去除眼电伪迹结果讨论 | 第48页 |
| ·基于滑动平均窗的频谱分析 | 第48-49页 |
| ·相关性谱分析结果讨论 | 第49-53页 |
| ·基于SVM方法的OFS分类 | 第53-56页 |
| ·训练数据集与测试数据集 | 第53-54页 |
| ·C-SVM算法 | 第54-55页 |
| ·支持向量机核函数选择 | 第55页 |
| ·支持向量机参数优化 | 第55-56页 |
| ·分类结果与分析 | 第56-82页 |
| ·分类结果 | 第56-81页 |
| ·分类结果讨论 | 第81-82页 |
| 第5章 结论与下一步的工作 | 第82-83页 |
| ·结论 | 第82页 |
| ·存在的问题与进一步的工作 | 第82-83页 |
| 参考文献 | 第83-86页 |
| 致谢 | 第86页 |
