支持向量机（SVM）及其在心电图（ECG）分类识别中的应用

摘要	第1-4页
英文摘要	第4-8页
引言	第8-11页
第一章 心电图常识与测量	第11-18页
·常规心电图	第11页
·常规导联系统	第11-15页
·心电图的测量	第15-18页
第二章 统计学习理论与支持向量机	第18-34页
·机器学习的基本问题	第18-22页
·传统学习理论的困难	第18-19页
·机器学习问题的描述	第19-20页
·经验风险最小化	第20-21页
·模型复杂度与推广能力	第21-22页
·统计学习理论	第22-25页
·学习机器的VC 维	第22页
·推广性的界	第22-23页
·结构风险最小化	第23-25页
·支持向量机原理	第25-34页
·线性可分的最优分类面	第25-29页
·线性不可分的最优分类面	第29-30页
·支持向量机	第30-34页
第三章 基于支持向量机的ECG 分类方法和特点	第34-40页
·基于支持向量机的ECG 分类方法	第34-37页
·支持向量机方法特点	第37-40页
第四章 基于支持向量机的ECG 分类	第40-47页
·支持向量机对心点信号的分析处理	第40-41页
·支持向量机1-V-1 算法模型	第41-42页
·支持向量机1-V-1 算法核函数的选取	第42-43页
·支持向量机1-V-1 算法参数的确定	第43页
·结论	第43-47页
·支持向量机1-V-1 算法分类试验结果	第43-45页
·下一步研究的方向	第45-47页
参考文献	第47-52页
致谢	第52-53页
攻读硕士学位期间的科研成果	第53页