中医脉象辨识系统的设计与基于人工神经网络脉象识别的研究
| 中文摘要 | 第1-3页 |
| 英文摘要 | 第3-7页 |
| 第一章 绪论 | 第7-11页 |
| 1．1 概述 | 第7-9页 |
| 1．1．1 脉学的研究和进展 | 第7页 |
| 1．1．2 脉学的表述和分类 | 第7-9页 |
| 1．2 中医脉诊客观化的国内外研究现状 | 第9页 |
| 1．3 论文的主要内容 | 第9-11页 |
| 第二章 中医脉象信号采集系统的硬件设计 | 第11-22页 |
| 2．1 中医脉象检测系统的结构 | 第11-12页 |
| 2．2 基于ISA总线的数据采集系统的设计 | 第12-19页 |
| 2．2．1 I/O端口地址的选择 | 第13-14页 |
| 2．2．2 定时电路的设计 | 第14-19页 |
| 2．2．2．1 555定时器的基本电路 | 第15-16页 |
| 2．2．2．2 分频电路的设计 | 第16-19页 |
| 2．3 数据采集系统的软件设计 | 第19-22页 |
| 第三章 中医脉象信号辨识系统的软件实现 | 第22-40页 |
| 3．1 脉图辨识的基本知识 | 第22-27页 |
| 3．1．1 脉图的基本结构和意义 | 第22-23页 |
| 3．1．2 脉图的时域判读法 | 第23-24页 |
| 3．1．3 脉图分析的注意点 | 第24-25页 |
| 3．1．3．1 最佳脉图 | 第24-25页 |
| 3．1．3．2 取脉图参数平均 | 第25页 |
| 3．1．4 典型脉图简介 | 第25-27页 |
| 3．1．4．1 平脉图 | 第25-26页 |
| 3．1．4．2 濡脉图 | 第26-27页 |
| 3．1．4．3 迟脉图 | 第27页 |
| 3．1．4．4 数脉图 | 第27页 |
| 3．2 模式的特征提取 | 第27-36页 |
| 3．2．1 模式的预处理 | 第28-31页 |
| 3．2．1．1 消除稳态分量 | 第28-29页 |
| 3．2．1．2 模式样本的平滑 | 第29-31页 |
| 3．2．1．3 模式样本的归一化处理 | 第31页 |
| 3．2．2 脉图特征提取的软件功能及实现 | 第31-36页 |
| 3．3 脉图的识别 | 第36-40页 |
| 3．3．1 分类决策规则 | 第36-38页 |
| 3．3．1．1 最近邻法 | 第36页 |
| 3．3．1．2 k-近邻法 | 第36-37页 |
| 3．3．1．3 两种决策规则的比较 | 第37-38页 |
| 3．3．2 脉图识别的软件实现 | 第38-40页 |
| 第四章 基于人工神经网络中医脉象识别的研究 | 第40-59页 |
| 4．1 神经网络模式识别研究的历史 | 第40-41页 |
| 4．2 神经网络的一般特征及基本模型 | 第41-44页 |
| 4．2．1 神经网络的特点 | 第41-42页 |
| 4．2．2 神经网络的基本结构 | 第42-43页 |
| 4．2．3 神经网络的训练 | 第43-44页 |
| 4．3 学习矢量量化模式识别 | 第44-50页 |
| 4．3．1 矢量量化的基本原理 | 第45页 |
| 4．3．2 量化矢量的获取 | 第45-46页 |
| 4．3．3 学习矢量量化模式分类器 | 第46-50页 |
| 4．3．3．1 LVQ算法的初始条件 | 第47页 |
| 4．3．3．2 LVQ的终止准则 | 第47-48页 |
| 4．3．3．3 LVQ算法 | 第48-50页 |
| 4．4 基于LVQ神经网络脉图识别的研究 | 第50-58页 |
| 4．4．1 神经网络结构的选取 | 第50-51页 |
| 4．4．2 网络训练方法的确定 | 第51-53页 |
| 4．4．3 LVQ神经网络分类性能的研究 | 第53-55页 |
| 4．4．3．1 实验方案设计 | 第53页 |
| 4．4．3．2 实验内容及结论 | 第53-55页 |
| 4．4．4 改进的LVQ算法 | 第55-58页 |
| 4．5 结论 | 第58-59页 |
| 第五章 结束语 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-64页 |
| 附录A | 第64页 |
