| 【中文题名】 | 小波变换和概率神经网络在脉象信号分析中的应用 |
| 【英文题名】 | Application of Wavelet Transform and Probabilistic Neural Network to the Analysis of Human Pulse Signals |
| 【学科专业】 | 信号与信息处理 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-25 |
| 【中关键词】 | 小波变换,多分辨率分析,尺度系数,小波系数,神经网络,概率神经网络 |
| 【英关键词】 | wavelet transform,multiresolution analysis,scalar coefficients,wavelet coefficients,neural network,probabilistic neural network,pulse signal,heroin addicts, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
中医独特的诊断方法及治病的疗效是有目共睹的。随着传感器技术和计算机处理技术的发展,人们开始致力于脉诊的客观化研究,希望用现代科学技术的方法和仪器,推进中医脉诊的现代化,这也是本文进行研究的目的。
本论文着重对小波分析的基本概念和基本理论进行了详细的阐述,并探讨了其物理意义,在利用多分辨率分析脉象信号时,对算法进行了推导、验证和应用,且给出了多分辨率分析的矩阵表达方式,着重分析了小波系数和尺度系数的具体含义,为脉象信号的多分辨率分析奠定了坚实的基础。
本论文还对神经网络的基本概念和基本理论进行了详细的阐述,突出探讨了概率神经网络的算法探讨和分析,为模式识别提高了扎实的理论依据。
小波分析是一种在时域和频域均具有良好局域性的分析方法,尤其适用于非平稳信号的处理。本文应用小波分析的多分辨率分析算法分析了15例海洛因吸毒者和22例正常人脉象信号。通过提取小波系数和尺度系数,找出了海洛因吸毒者与正常人脉象信号之间的显著差异,初步提出了用于划分吸毒者和正常人的判据,根据该判据,22例正常人全被检测出来,而吸毒者B13被误检为正常人。
本文还在对脉象信号进行多分辨率分析的基础上,利... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
ABSTRACT |
4-7 |
|
1 绪论 |
7-16 |
|
1.1 课题研究的意义 |
7-9 |
|
1.2 脉象信号分析 |
9-10 |
|
1.3 小波分析和概率神经网络的发展及国内外研究现状 |
10-14 |
|
1.4 本论文的主要研究工作 |
14-16 |
|
2 小波分析基本理论 |
16-30 |
|
2.1 连续小波变换与测不准原理的关系 |
16-19 |
|
2.1.1 小波的定义 |
16 |
|
2.1.2 测不准原理 |
16-17 |
|
2.1.3 小波分析和测不准原理的关系 |
17-19 |
|
2.2 连续时间信号的离散小波变换 |
19-20 |
|
2.3 常用小波 |
20-24 |
|
2.4 多分辨率分析 |
24-30 |
|
2.4.1 多分辨率分析的定义 |
24-25 |
|
2.4.2 Mallat 算法 |
25-27 |
|
2.4.3 多分辨率分析的矩阵表示 |
27-28 |
|
2.4.4 尺度滤波器的性质 |
28-29 |
|
2.4.5 离散时间信号小波变换的初值及其边界问题 |
29-30 |
|
3 脉象信号的多分辨率分析 |
30-41 |
|
3.1 脉博波及分析吸毒者脉象信号的意义 |
30-31 |
|
3.1.1 脉博波的形成 |
30 |
|
3.1.2 分析吸毒者脉象信号的意义 |
30-31 |
|
3.2 脉象信号的采集与脉波的选取 |
31-32 |
|
3.2.1 脉象信号的采集 |
31 |
|
3.2.2 脉波的选取 |
31-32 |
|
3.3 海洛因吸毒者脉象信号的特征向量提取方法一 |
32-35 |
|
3.4 软件编制一 |
35 |
|
3.5 海洛因吸毒者脉象信号特征向量提取方法二 |
35-37 |
|
3.6 软件编制二 |
37-38 |
|
3.7 海洛因吸毒者脉象信号特征向量提取方法三 |
38-40 |
|
3.8 软件编制三 |
40 |
|
3.9 小论 |
40-41 |
|
4 人工神经网络的基本概念和基础理论 |
41-55 |
|
4.1 人工神经网络的基本原理 |
41-50 |
|
4.1.1 生物神经元简介 |
41 |
|
4.1.2 人工神经元模型和网络结构 |
41-47 |
|
4.1.3 神经网络的学习规则 |
47-49 |
|
4.1.4 神经网络的分类 |
49-50 |
|
4.2 概率神经网络 |
50-55 |
|
4.2.1 概率神经网络的结构 |
50-51 |
|
4.2.2 PNN 网络的学习算法 |
51-55 |
|
5 概率神经网络在脉象信号识别中的应用 |
55-61 |
|
5.1 实验四：在提取特征向量的基础上利用概率神经网络识别分类 |
55-58 |
|
5.1.1 实验步骤 |
55-57 |
|
5.1.2 软件编制 |
57 |
|
5.1.3 实验四的结论 |
57-58 |
|
5.2 直接在原始数据基础上利用概率神经网络识别分类 |
58-60 |
|
5.2.1 实验五步骤 |
58 |
|
5.2.2 实验六步骤 |
58-59 |
|
5.2.3 实验七步骤 |
59-60 |
|
5.3 小论 |
60-61 |
|
6 结论与展望 |
61-62 |
|
致谢 |
62-63 |
|
参考文献 |
63-66 |
|
附录 |
66 |
|
| 【DOI】 | LunWen.ID:2.2008.389055 |
