|
|
|
|
脑电信号分类研究的方法--高斯分类器和支持向量机 |
| |
| 论文目录 |
| |
| 摘要 | 第1-6页 | | ABSTRACT | 第6-7页 | | 目录 | 第7-9页 | | 1 绪论 | 第9-17页 | | ·课题背景 | 第9-10页 | | ·脑电信号特征提取及分类的主要方法 | 第10-15页 | | ·脑电信号的分析方法 | 第10-11页 | | ·脑电信号的特征提取 | 第11-12页 | | ·脑电信号的介绍 | 第12页 | | ·脑电信号的分类方法 | 第12-15页 | | ·研究内容与方法 | 第15-17页 | | ·高斯分类器 | 第15页 | | ·支持向量机 | 第15-17页 | | 2 高斯分类器设计理论 | 第17-22页 | | ·贝叶斯分类器 | 第17-19页 | | ·统计学原理 | 第17页 | | ·基于最小风险的贝叶斯准则 | 第17-19页 | | ·自组织映射 | 第19页 | | ·高斯混合模型 | 第19-20页 | | ·梯度下降 | 第20-22页 | | 3 高斯分类器 | 第22-35页 | | ·分类器概述 | 第22-24页 | | ·分类器的实现 | 第24-29页 | | ·分类器的初始化 | 第24页 | | ·分类器的训练 | 第24-29页 | | ·性能测试 | 第29页 | | ·实验工具的选用和程序的编写 | 第29-35页 | | 4 高斯分类器的实验结果及分析 | 第35-39页 | | ·分类结果 | 第35-37页 | | ·实验结果分析 | 第37-39页 | | 5 统计学习理论及支持向量机(SVM)算法介绍 | 第39-49页 | | ·统计学习理论中的重要概念 | 第39-41页 | | ·VC维 | 第39页 | | ·推广性的界 | 第39-40页 | | ·结构风险最小化原理 | 第40-41页 | | ·支持向量机 | 第41-43页 | | ·广义最优分类面 | 第41页 | | ·线性可分问题和线性非可分问题 | 第41-43页 | | ·各种变形的支持向量机算法 | 第43-46页 | | ·C-SVM算法及其变形算法系列 | 第44-45页 | | ·v-SVM算法及其变形算法系列 | 第45-46页 | | ·SVM的多值分类算法 | 第46-47页 | | ·一对多分类算法 | 第46-47页 | | ·一对一(配对)SVM | 第47页 | | ·核函数 | 第47-49页 | | ·核函数的定义 | 第47页 | | ·怎样确定核函数 | 第47-48页 | | ·几种常见的核函数 | 第48-49页 | | 6 支持向量机分类方法实现 | 第49-52页 | | ·处理数据说明 | 第49页 | | ·核函数与参数选择 | 第49页 | | ·SVM分类的流程 | 第49-50页 | | ·实验工具包的选取和程序的编写 | 第50-52页 | | 7 支持向量机实验结果与分析 | 第52-58页 | | ·C的选取与识别率之间的关系 | 第52-53页 | | ·核函数及其参数选取对识别率的影响 | 第53-56页 | | ·对数据样本成分的分析 | 第56页 | | ·两种分类器分类结果的比较 | 第56-58页 | | 8 结论 | 第58-59页 | | 攻读学位期间获奖和发表论文情况 | 第59-60页 | | 致谢 | 第60-61页 | | 参考文献 | 第61-63页 |
|
|
|
|
论文编号BS803333，这篇论文共63页
会员购买按0.35元/页下载，共需支付22.05元。 直接购买按0.5元/页下载，共需要支付31.5元 。 |
 |
 |
我还不是会员，注册会员！
会员下载更优惠!充值送钱！ |
我只需要这篇，无需注册！
直接网上支付，方便快捷！ |
|
|
|
版权申明：本目录由www.jylw.com网站制作，本站并未收录原文，如果您是作者，需要删除本篇论文目录请通过QQ或其它联系方式告知我们，我们承诺24小时内删除。 |
|
|
广告服务