| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题研究的背景及意义 | 第8-9页 |
| 1.2 信号分类方法的研究现状 | 第9-12页 |
| 1.2.1 信号分类方法的研究现状 | 第9-10页 |
| 1.2.2 神经网络在分类问题中的应用与研究现状 | 第10-11页 |
| 1.2.3 支持向量机在分类处理中的应用与研究现状 | 第11-12页 |
| 1.3 课题研究的主要内容和论文结构 | 第12-14页 |
| 第2章 BP神经网络和SVM的基本分类理论 | 第14-26页 |
| 2.1 分类理论概述 | 第14-15页 |
| 2.1.1 分类的定义 | 第14页 |
| 2.1.2 几种常见的分类方法 | 第14-15页 |
| 2.2 BP神经网络的分类理论 | 第15-20页 |
| 2.2.1 人工神经网络的概述 | 第15-19页 |
| 2.2.2 BP神经网络分类 | 第19-20页 |
| 2.3 支持向量机(SVM)的分类理论 | 第20-24页 |
| 2.3.1 统计学习理论的概述 | 第20-22页 |
| 2.3.2 支持向量机理论 | 第22-24页 |
| 2.3.3 SVM分类理论 | 第24页 |
| 2.4 本章小结 | 第24-26页 |
| 第3章 基于BP神经网络的信号分类方法的研究 | 第26-54页 |
| 3.1 基于BP神经网络分类方法的研究 | 第26-41页 |
| 3.1.1 BP神经网络分类算法和设计 | 第26-30页 |
| 3.1.2 基于数据预处理的BP分类方法的研究 | 第30-34页 |
| 3.1.3 实验与结果分析 | 第34-41页 |
| 3.2 基于遗传算法(GA)的BP网络分类方法的研究 | 第41-48页 |
| 3.2.1 遗传算法(GA) | 第41-44页 |
| 3.2.2 GA优化BP网络权值和结构的算法设计 | 第44-45页 |
| 3.2.3 实验与结果分析 | 第45-48页 |
| 3.3 基于粒子群算法(PSO)的BP网络分类方法的研究 | 第48-51页 |
| 3.3.1 粒子群优化算法(PSO) | 第49-50页 |
| 3.3.2 PSO优化BP网络权值和结构的算法设计 | 第50-51页 |
| 3.4 实验分析 | 第51-52页 |
| 3.5 本章小结 | 第52-54页 |
| 第4章 基于SVM的信号分类方法的研究 | 第54-78页 |
| 4.1 基于SVM的分类方法的研究 | 第54-67页 |
| 4.1.1 SVM分类算法和设计 | 第54-59页 |
| 4.1.2 基于数据预处理的SVM分类方法 | 第59-60页 |
| 4.1.3 实验结果与分析 | 第60-67页 |
| 4.2 基于遗传(GA)的SVM分类方法的研究 | 第67-70页 |
| 4.2.1 GA优化SVM参数的算法及设计 | 第67-68页 |
| 4.2.2 实验与结果分析 | 第68-70页 |
| 4.3 基于粒子群(PSO)的SVM分类方法的研究 | 第70-74页 |
| 4.3.1 PSO优化SVM参数的算法及设计 | 第70-71页 |
| 4.3.2 实验与结果分析 | 第71-74页 |
| 4.4 实验分析 | 第74-75页 |
| 4.5 基于BP神经网络和SVM的信号分类方法的比较 | 第75-77页 |
| 4.6 本章小结 | 第77-78页 |
| 第5章 总结与展望 | 第78-80页 |
| 5.1 工作总结 | 第78-79页 |
| 5.2 研究展望 | 第79-80页 |
| 参考文献 | 第80-86页 |
| 在读期间发表的学术论文及研究成果 | 第86-87页 |
| 致谢 | 第87页 |
