| 【中文题名】 | 人工神经网络在吸毒者脉象信号识别中的应用 |
| 【英文题名】 | The Application of Artificial Neural Networks on Recognition of Pulse Signals |
| 【学科专业】 | 电路与系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-25 |
| 【中关键词】 | 神经网络,自组织网络,概率神经网络,脉象信号,海洛因吸毒者, |
| 【英关键词】 | neural network,SOFM 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>计算技术、计算机技术>计算机的应用>信息处理(信息加工)>模式识别与装置 |
| 【论文摘要】 |
中医独特的诊断方法及其治病疗效在我国医疗保健事业中发挥着重要作用。切脉是中医诊断的主要方法之一。随着传感器和计算机技术的发展,依托于信息处理技术,中医脉诊的客观化的研究成为可能。
人工神经网络(ANN)是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统,具有很强的自适应学习能力以及鲁棒性和容错能力。通过这种网络能够实现任意的非线性映射关系,这种映射关系体现在构成网络的神经元之间的分布连接权上,经训练的神经网络可用来进行模式分类,信号处理与检测等。
针对海洛因吸毒者的脉象信号与正常人脉象信号的特征差异,本文成功地应用自组织网络和概率神经网络对15例海洛因吸毒者和15例正常人的脉象信号进行了识别。首先建立了一个38~2~2的二层自组织竞争网络和一个38~2的二层自组织特征映射网络,选取每一例脉象信号的23~60这38点作为网络的输入信号,采用Kohonen算法学习网络输出层权值。训练完成的网络对20例训练样本的识别率达到100%,在用该网络对10例测试样本进行分析时,实验结果显示有3例脉象被误判,其中正常人Z01、Z10被误判为吸毒者,吸毒者B13被误判为正... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
ABSTRACT |
4-9 |
|
1 绪论 |
9-17 |
|
1.1 课题研究的目的及意义 |
9-10 |
|
1.2 脉象信号的分析 |
10-13 |
|
1.3 神经网络的发展及国内外研究现状 |
13-16 |
|
1.4 本论文的研究工作 |
16-17 |
|
2 神经网络的基本概念和基础理论 |
17-28 |
|
2.1 人工神经网络的特征 |
17-18 |
|
2.2 生物神经元简介 |
18-19 |
|
2.3 人工神经元模型和网络结构 |
19-25 |
|
2.3.1 单输入神经元 |
19-20 |
|
2.3.2 传输函数 |
20-21 |
|
2.3.3 多输入神经元 |
21-23 |
|
2.3.4 网络结构 |
23-25 |
|
2.4 人工神经网络的分类 |
25-26 |
|
2.5 人工神经网络的学习算法 |
26-28 |
|
3 脉象信号的基本概念及其采集和选取 |
28-31 |
|
3.1 脉象信号的基本概念 |
28-29 |
|
3.1.1 脉博波的形成 |
28-29 |
|
3.1.2 分析吸毒者脉象信号的意义 |
29 |
|
3.2 脉象信号的采集与脉波的选取 |
29-31 |
|
3.2.1 脉象信号的采集 |
29-30 |
|
3.2.2 脉波的选取 |
30-31 |
|
4 自组织神经网络及其对脉象信号的分析 |
31-60 |
|
4.1 自组织竞争网络 |
31-36 |
|
4.1.1 Hamming 网络 |
31-33 |
|
4.1.2 竞争层网络 |
33-36 |
|
4.2 自组织特征映射神经网络 |
36-42 |
|
4.2.1 自组织特征映射网络的结构 |
37-38 |
|
4.2.2 自组织特征映射的算法 |
38-41 |
|
4.2.3 自组织特征映射学习在分类上的分析 |
41-42 |
|
4.3 学习向量量化网络 |
42-45 |
|
4.4 结构自适应神经网络 |
45-54 |
|
4.4.1 结构自适应神经网络概述及算法 |
45-47 |
|
4.4.2 结构自适应神经网络算法的改进 |
47-52 |
|
4.4.3 结构自适应神经网络算法的总体流程 |
52-53 |
|
4.4.4 结构自适应神经网络算法小结 |
53-54 |
|
4.5 利用自组织神经网络分析脉象信号 |
54-59 |
|
4.5.1 利用自组织竞争网络分析脉象信号 |
55-56 |
|
4.5.2 利用自组织特征映射网络分析脉象信号 |
56-57 |
|
4.5.3 利用学习矢量量化网络分析脉象信号 |
57-59 |
|
4.6 结论 |
59-60 |
|
5 概率神经网络及其对脉象信号的分析 |
60-67 |
|
5.1 统计模式分类 |
60-64 |
|
5.1.1 贝叶斯定理 |
60-61 |
|
5.1.2 参数方法 |
61-62 |
|
5.1.3 非参数方法 |
62 |
|
5.1.4 混合模型 |
62-63 |
|
5.1.5 高斯混合模型 |
63-64 |
|
5.2 概率神经网络 |
64-65 |
|
5.3 利用概率神经网络分析脉象信号 |
65-67 |
|
6 结论 |
67-68 |
|
致谢 |
68-69 |
|
参考文献 |
69-72 |
|
附录 |
72 |
|
| 【DOI】 | LunWen.ID:2.2008.389056 |
