首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于多特征融合的J波分类方法研究

摘要第3-5页
ABSTRACT第5-7页
第一章 绪论第16-22页
    1.1 课题研究背景及意义第16-17页
    1.2 J波的研究现状第17-18页
    1.3 机器学习技术的发展及现状第18-20页
    1.4 本文的研究内容和章节安排第20-22页
第二章 J波及机器学习应用于J波分类的研究基础第22-36页
    2.1 J波概述第22-25页
        2.1.1 J波的特点第22-23页
        2.1.2 J波综合征第23-24页
        2.1.3 J波的分类第24-25页
    2.2 机器学习系统的组成第25-26页
    2.3 特征提取第26-30页
    2.4 特征优化第30-32页
    2.5 分类器决策第32-34页
    2.6 本章小结第34-36页
第三章 分类数据集的构建及预处理第36-40页
    3.1 构建心电数据库第36页
    3.2 心电信号预处理第36-38页
        3.2.1 噪声去除第36-37页
        3.2.2 R基准点检测第37-38页
        3.2.3 心拍分段第38页
    3.3 训练集与测试集划分第38-39页
    3.4 本章小结第39-40页
第四章 基于多尺度递归分析的J波检测第40-58页
    4.1 递归图与递归定量分析第41-46页
        4.1.1 相空间重构第41-42页
        4.1.2 递归图第42-43页
        4.1.3 递归定量分析第43-46页
    4.2 基于调Q小波变换的递归定量特征提取第46-50页
        4.2.1 调Q小波变换第46-47页
        4.2.2 多尺度递归定量特征提取第47-50页
    4.3 基于t检验的递归定量特征约简第50页
    4.4 基于最小二乘支持向量机的J波检测识别第50-54页
        4.4.1 最小二乘支持向量机理论第50-52页
        4.4.2 细菌觅食优化算法实现分类器参数优化第52-54页
    4.5 算法仿真分析第54-57页
        4.5.1 评价指标第54页
        4.5.2 结果分析第54-57页
    4.6 本章小结第57-58页
第五章 基于多特征融合的J波分类方法研究第58-76页
    5.1 信号的多角度特征提取第59-64页
        5.1.1 时域特征第59-60页
        5.1.2 频域特征第60-61页
        5.1.3 时频域特征第61-64页
    5.2 多特征融合技术第64-66页
        5.2.1 局部线性嵌入实现三阶累积量降维第64-65页
        5.2.2 特征的加权融合第65-66页
    5.3 基于LS-SVM的J波多层分类算法第66-68页
        5.3.1 SVM实现多分类的常用方法第66-67页
        5.3.2 基于LS-SVM的J波多层分类模型第67-68页
    5.4 算法仿真分析第68-74页
        5.4.1 J波检测结果分析第68-70页
        5.4.2 与其他J波检测算法的比较第70-72页
        5.4.3 良性J波与恶性J波的分类实验第72-74页
    5.5 本章小结第74-76页
第六章 总结与展望第76-78页
    6.1 总结第76-77页
    6.2 下一步工作及前景展望第77-78页
参考文献第78-84页
致谢第84-86页
攻读硕士学位期间学术成果及参与项目第86页

论文共86页,点击 下载论文
上一篇:无源系统中感知链路技术的优化研究
下一篇:基于剪切波变换的多聚焦图像融合算法