基于谱分解的神经元分类与识别的研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 1 绪论 | 第8-16页 |
| ·论文研究的背景及意义 | 第8-9页 |
| ·国内外研究现状 | 第9-14页 |
| ·神经元分类的研究现状 | 第9-11页 |
| ·支持向量机的研究现状 | 第11-14页 |
| ·本文的研究内容及结构 | 第14-16页 |
| ·主要研究内容 | 第14页 |
| ·论文结构 | 第14-16页 |
| 2 基于谱分解的冗余聚类 | 第16-24页 |
| ·最短路径算法 | 第16-17页 |
| ·Dijkstra 算法 | 第16页 |
| ·Floyed 算法 | 第16-17页 |
| ·样本稀疏化 | 第17-21页 |
| ·基于模糊集贴近度的稀疏化 | 第18-20页 |
| ·基于小球填充的稀疏化 | 第20-21页 |
| ·基于谱分解的冗余聚类 | 第21-24页 |
| ·谱分解 | 第21页 |
| ·冗余聚类 | 第21-22页 |
| ·基于谱分解的冗余聚类 | 第22-24页 |
| 3 特征加权的 FCM 算法 | 第24-31页 |
| ·传统 FCM 算法 | 第24-25页 |
| ·基于核函数的 FCM 算法 | 第25-28页 |
| ·核函数 | 第25-26页 |
| ·基于核函数的 FCM 算法 | 第26-28页 |
| ·基于特征加权的 FCM 算法 | 第28-31页 |
| ·基于类间分离度的加权 FCM 算法 | 第28-29页 |
| ·基于类内紧缩度的加权 FCM 算法 | 第29-30页 |
| ·特征加权的 FCM 算法 | 第30-31页 |
| 4 支持向量机 | 第31-36页 |
| ·最优分类超平面 | 第31-32页 |
| ·线性可分支持向量机 | 第32-33页 |
| ·线性不可分支持向量机 | 第33-35页 |
| ·非线性支持向量机 | 第35-36页 |
| 5 神经元的特征抽取 | 第36-42页 |
| ·神经元的基本介绍 | 第36-38页 |
| ·神经元的结构 | 第36-37页 |
| ·神经元的基本分类 | 第37-38页 |
| ·神经元的特征抽取 | 第38-42页 |
| ·神经元的数据来源 | 第38-39页 |
| ·神经元的形态特征 | 第39-40页 |
| ·神经元的特征抽取 | 第40-42页 |
| 6 神经元的形态分类与识别 | 第42-53页 |
| ·类的合并 | 第42-43页 |
| ·基于谱分解的冗余加权 FCM 算法的粗划分 | 第43-46页 |
| ·特征筛选 | 第43-44页 |
| ·基于谱分解的冗余加权 FCM 算法 | 第44-46页 |
| ·利用贴近度求解两类间的中间带 | 第46-47页 |
| ·对样本集进行细化分 | 第47-48页 |
| ·基于谱分解的神经元分类与识别的具体步骤 | 第48-49页 |
| ·实验结果 | 第49-53页 |
| 7 总结与展望 | 第53-55页 |
| ·总结 | 第53页 |
| ·展望 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间发表的论文 | 第62页 |
