次声信号特征提取与分类识别研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题的研究背景及意义 | 第10-11页 |
| 1.2 信号分类的国内外研究现状概述 | 第11-13页 |
| 1.3 论文的主要研究内容 | 第13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第2章 信号分类的基本原理 | 第15-19页 |
| 2.1 模式分类系统的框架构成 | 第15-16页 |
| 2.2 数据的获取与预处理 | 第16页 |
| 2.3 特征选择和特征提取 | 第16-17页 |
| 2.4 分类算法及结果分析 | 第17页 |
| 2.5 本章小结 | 第17-19页 |
| 第3章 信号特征提取技术 | 第19-35页 |
| 3.1 特征提取方法概述 | 第19页 |
| 3.2 基于信息熵的特征提取 | 第19-23页 |
| 3.2.1 信息熵理论及几种常见的信息熵 | 第19-21页 |
| 3.2.2 基于信息熵的特征提取技术 | 第21-23页 |
| 3.3 基于小波变换的特征提取 | 第23-27页 |
| 3.3.1 小波分析的基本理论 | 第23-25页 |
| 3.3.2 基于离散小波的特征提取技术 | 第25-27页 |
| 3.4 基于希尔伯特-黄变换的特征提取 | 第27-34页 |
| 3.4.1 希尔伯特-黄变换基本理论 | 第27-30页 |
| 3.4.2 基于HHT边际谱的特征提取技术 | 第30-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 分类算法的研究与实现 | 第35-47页 |
| 4.1 信号分类算法概述 | 第35-36页 |
| 4.2 人工神经网络 | 第36-41页 |
| 4.2.1 人工神经元简介 | 第36-37页 |
| 4.2.2 人工神经网络模型和分类 | 第37-39页 |
| 4.2.3 基于BP神经网络的次声信号分类 | 第39-41页 |
| 4.3 支持向量机 | 第41-46页 |
| 4.3.1 支持向量机的基本理论研究 | 第41-43页 |
| 4.3.2 支持向量机和神经网络 | 第43-44页 |
| 4.3.3 基于SVM的次声信号分类 | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 实验结果对比与分析 | 第47-56页 |
| 5.1 试验数据 | 第47-48页 |
| 5.2 分类系统整体构成 | 第48-49页 |
| 5.3 基于BP神经网络的次声信号分类试验 | 第49-51页 |
| 5.4 基于SVM的次声信号分类试验 | 第51-54页 |
| 5.5 实验结果分析 | 第54-55页 |
| 5.6 本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-60页 |
| 6.1 论文的主要工作和结论 | 第56-59页 |
| 6.1.1 论文的主要工作 | 第56-58页 |
| 6.1.2 论文的主要结论 | 第58-59页 |
| 6.2 对未来研究的展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录 | 第64页 |
