基于聚類分析的生物電信號模式識別的研究

測控論文編號:CK022    論文字數:24345,頁數:78 ,有任務書，外文翻譯

目    錄 
摘要 Ⅰ
Abstract Ⅱ

第1章  緒論 1
 1.1  課題背景 1
 1.1.1  課題研究內容 1
 1.2  模式識別方法綜述 2
 1.2.1  模式識別概述 2
 1.2.2  模式識別系統 3
 1.2.3  模式識別的發展動態 5
第2章  MATLAB語言簡介 6
 2.1  MATLAB語言的發展與前景 6
    2.2  MATLAB語言的特點 7
 2.3  MATLAB語言的控制語句 7
 2.3.1  循環結構 8
     2.3.2  條件結構 8
第3章  聚類分析的基本理論 10
 3.1  聚類分析的概念 10
 3.1.1  聚類分析的基本思想 10
 3.1.2  特征量的類型 10
        3.1.3  方法的有效性 10
 3.2  類的定義與類間距離 11   
 3.2.1  類的定義 11
 3.2.2  類間距離測度方法 12
第4章  聚類分析在模式識別中的應用  14
 4.1  表面肌電信號的獲取 14
 4.2  模式相似性測度 14
 4.2.1  距離測度（差值測度） 14
        4.2.2  相似測度 19
 4.3  分級聚類法 21
 4.4  近鄰函數準則算法 23
第5章  識別結果及分析 27
 5.1  對AR模型參數識別結果及分析 27
 5.2  對倒譜系數識別結果及分析 28
 5.3  對反射系數識別結果及分析 29
 5.4  對復雜度識別結果及分析 30
 5.5  對小波及小波包變換的特征值識別結果及分析 31
 5.5.1  奇異值簡介與識別結果分析 32
 5.5.2  小波包簡介與識別結果分析 32
 5.6  對分形維數識別結果及分析 33
 5.7  對K熵識別結果及分析 34
 5.8  近鄰函數準則算法識別結果及分析 35
結論 37
結束語 38
致謝 39
參考文獻 40
附錄1 馬氏距離程序清單 41
附錄2 歐氏距離程序清單 45
附錄3 切氏距離程序清單 48
附錄4 絕對值距離程序清單 51
附錄5 角度相似系數程序清單 54
附錄6 分級聚類法程序清單 57
附錄7 近鄰函數準則算法程序清單 61
附錄8 數據清單 70

摘  要
 通過學習聚類分析理論等相關知識，本文用模式相似性測度來描述各個模式之間的相似程度，運用距離測度、相似測度、分級聚類法、近鄰函數準則算法等方法設計模式分類器，并運用MATLAB語言編程，實現相應功能。同時運用從人體表面肌電信號中提取出的多個特征值（如AR模型參數等）進行實驗驗證，實驗表明運用距離測度、相似測度、分級聚類法方法設計的模式分類器均能較好地實現對前臂8種動作的模式識別，識別率均在80%以上。運用近鄰函數準則算法設計的分類器識別效果相對較差。
 
 關鍵詞：聚類分析 模式相似性測度 近鄰函數準則算法 模式識別
 分級聚類法

Abstract
 By studying the theory of Clustering Analysis and any other relative knowledge, the extent of comparability in the pattern is described by pattern comparability measurement in this paper,handle the distance measurement, comparability measurement,classification clustering method，close function algorithms arithmetic to designing pattern divider and use MATLAB to programming,accomplish the relevant function.At the same time,handle the characterless value(i.e AR model parameters)which get from the surface EMG signals to validate, the result shows that the divider which schemed out base on distance measurement, comparability measurement, classification clustering method can well accomplish the pattern recognition for 8 actions of antebrachium, and the recognition rate almost can up to 80% or more. But the recognition effect of the divider which designed base on close function algorithms arithmetic is worse correspondingly.

 Keywords: Clustering Analysis  Pattern Comparability Measurement    Close Function Algorithms Arithmetic  Pattern Recognition
 Classification Clustering Method