广播频段频谱信号处理的机器学习算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题研究背景 | 第9-11页 |
| 1.2 研究内容 | 第11-13页 |
| 1.3 论文组织结构 | 第13-14页 |
| 第2章 数据挖掘与机器学习 | 第14-24页 |
| 2.1 数据挖掘技术 | 第14-17页 |
| 2.1.1 数据挖掘的基本概念 | 第14页 |
| 2.1.2 数据挖掘的发展概述 | 第14-15页 |
| 2.1.3 数据挖掘的热点问题 | 第15-16页 |
| 2.1.4 数据挖掘的方法 | 第16-17页 |
| 2.2 机器学习 | 第17-23页 |
| 2.2.1 机器学习的简要介绍 | 第17-18页 |
| 2.2.2 机器学习的系统结构 | 第18-20页 |
| 2.2.3 机器学习的发展概述 | 第20-21页 |
| 2.2.4 机器学习的经典算法 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 数据预处理及特征提取算法研究 | 第24-47页 |
| 3.1 频谱数据预处理算法的研究与实现 | 第24-32页 |
| 3.1.1 频谱数据的预处理原理 | 第25-28页 |
| 3.1.2 频谱数据的预处理实现 | 第28-29页 |
| 3.1.3 信号小波消噪 | 第29-32页 |
| 3.2 频谱特征提取算法研究与实现 | 第32-46页 |
| 3.2.1 特征提取的概述 | 第32-33页 |
| 3.2.2 个体信号特征提取 | 第33-35页 |
| 3.2.3 总体信号特征提取 | 第35-41页 |
| 3.2.4 PCA特征提取 | 第41-44页 |
| 3.2.5 灰色关联聚类分析 | 第44-46页 |
| 3.3 本章小结 | 第46-47页 |
| 第4章 频谱信号单个分类器算法研究 | 第47-60页 |
| 4.1 SVM分类器 | 第47-51页 |
| 4.1.1 线性SVM | 第48-49页 |
| 4.1.2 非线性SVM | 第49-51页 |
| 4.1.3 SVM参数优化 | 第51页 |
| 4.2 ELM超限学习机 | 第51-56页 |
| 4.2.1 ELM算法理论 | 第52-54页 |
| 4.2.2 ELM算法步骤及实现 | 第54-55页 |
| 4.2.3 ELM参数优化 | 第55-56页 |
| 4.3 实验结果对比与总结 | 第56-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第5章 频谱信号组合分类器算法研究 | 第60-73页 |
| 5.1 组合分类算法 | 第60-67页 |
| 5.1.1 组合分类器 | 第60-61页 |
| 5.1.2 组合分类方法 | 第61-63页 |
| 5.1.3 组合分类器设计 | 第63-65页 |
| 5.1.4 实验结果与分析 | 第65-67页 |
| 5.2 GBDT与LR特征融合的分类算法 | 第67-72页 |
| 5.2.1 GBDT算法原理 | 第67-69页 |
| 5.2.2 融合分类算法 | 第69-70页 |
| 5.2.3 实验结果与分析 | 第70-72页 |
| 5.3 本章小结 | 第72-73页 |
| 第6章 结论与展望 | 第73-75页 |
| 6.1 研究总结 | 第73页 |
| 6.2 未来展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-79页 |
| 攻读硕士学位期间发表的学术论文 | 第79页 |
