一、改进的模糊BP网络在ECG自动识别与规则抽取中的应用研究（论文文献综述）
刘昱昕,张延华,杨睿哲[1]（2021）在《基于小波去噪和深度学习的含噪声心电信号分类》文中研究表明针对含噪声心电信号在特征提取过程中存在的问题,采用小波去噪进行数据预处理,通过合理选取小波基函数、小波分解层数、阈值等参数,获得去噪后的心电信号。对心电信号进行二维时-频密度函数表征,针对连续小波变换滤波器组获取信号样本的连续小波变换,根据系数获得适配GoogLeNet网络的尺度图。联合运用时频分析和深度卷积神经网络实现心电信号分类。实验结果表明,提出的联合GoogLeNet模型可以实现心电信号的有效分类。
钱铮铮[2]（2016）在《基于人工肝治疗的心电图智能辅助分析应用》文中指出人工肝支持系统是国内外除肝移植外治疗重型肝炎最好方法之一。但也具有一定的危险性,治疗时可产生一系列并发症,特别是心血管的变化。严重的心率失常和血压变化会产生严重的后果,因此在进行人工肝治疗的过程中对心电信号进行全程监护十分必要。而现有的人工肝支持系统中对心电等医疗数据的检测、存储以及智能的分析对比存在不足。本文通过对人工肝系统的工作过程及相关需求的分析,针对在人工肝治疗过程中对于患者的心电波形智能分析以及数据存储中存在的实际问题,提出了通过制定符合OpenEHR标准的数据接口的方法,在人工肝设备中接入心电监测及其预警等系统功能,主要包括心电信息采集和患者相关电子病历接口子系统；心电信息存储及智能分析子系统；包含不同医院的历史数据的电子健康报告生成子系统。为了提高心电数据分析的准确性和及时性,本文使用了差分阈值算法,小波变换法等算法提取心电数据中R-R期间、Q-T期间、P-R段和S-T段等特征值,并运用逻辑判别法、SVM支持向量机算法对心电数据进行分析。在心电图的异常波形检测中本文对比了神经网络BP算法和SVM支持向量机算法,仿真结果显示在样本量较小并且系统资源有限的情况下,SVM支持向量机算法有着更好的表现。本文设计了相关的数据接口,对患者健康信息和人工肝治疗参数实现了方便的导入导出数据,易于按诊疗要求生成治疗报告。所研究的系统功能经测试,已基本达到了预期的数据处理和设计要求,为提升人工肝疗法的安全性提供了具有实际价值的帮助。
赵毅[3]（2015）在《基于小波分析和神经网络的异常心电信号分类研究》文中提出心脏是身体重要的器官，自从人类开始探测心电信号，心电图就成为了衡量及检测心脏是否健康的手段。心电学的研究和计算机的发展使心电信号的自动识别分类技术在近些年来一直在被作为重要课题所研究。本文结合小波变换与神经网络，对心电信号自动分类识别做了进一步研究，并以实验论证了神经网络技术在计算机自动诊断方面的重要意义。本文首先阐述了当前心电信号自动诊断技术的发展及研究现状。紧接着介绍了心电信号的产生机理和心电图的基础知识，并对心电信号中几种典型异常信号做了解释，包括诊断标准和异常信号的波形特征。之后，剖析了心电信号诊断分类的难点，即信号中存在肌电噪声、工频干扰以及基线漂移等，使得计算机对心电信号分类不准确，参数提取不合理。在此之上，对比了几种针对上述问题的心电信号消噪方法，结合小波阈值滤波和小波分解与重构滤波两种算法的特点，即前者有效滤除工频干扰和肌电噪声，后者有效校正基线漂移，实现了ECG信号预处理的目的，为后续处理做好了准备。之后又引入了基于小波变换理论的QRS波形检测方法，重点阐明了利用双正交二次B样条小波的检测算法。仿真实验结果表明，该小波算法对QRS波群的检测率高达99%以上，可以很好的定位心电数据，以便准确提取波形特征参数作为后期处理的输入集。最后，参照目前临床所使用的检测标准为参数基础，设计并训练了一种使用Levenberg-Marquardt算法改进的BP神经网络。该算法同时具有了最速梯度下降法和牛顿法的优势，克服了BP网络的收敛速度慢、训练精度低和局部极小化的缺陷。实验训练样本集则采用国际普遍使用的MIT-BIH标准心律失常数据库中的样本。仿真结果表明，本文改进的BP神经网络模型对于心脏早搏现象的识别，达到了满意的效果。除此之外，还可利用此网络检测分类多种心律失常症状，其表现达到了90%以上准确率。
周小平[4]（2013）在《错误识别理论与方法及其在裁判员决策支持系统中的应用》文中提出千里之堤毁于蚁穴,小错误引起大损失。如何有效地识别系统中的错误,进而达到纠正或消除错误的目的,是各行各业、各个领域都在努力寻求解决的问题。随着科学技术的发展,尤其是计算机技术、人工智能和自动化理论的发展,计算机及系统工程等领域对错误识别的研究逐渐增多。计算机领域主要致力于错误识别技术的研究,研究内容包括语音、字符、生物特征等,例如语音识别技术的研究及其在发音错误识别系统中的应用[1]、汉字智能工具中的书写错误识别[2]等。系统工程领域主要研究错误的分析法和故障诊断等,期望达到系统优化的目的。本文继承消错理论的研究成果,采用系统工程、数学、逻辑学及计算机工程等理论和方法,构建系统的错误识别理论及方法,包括错误识别对象、识别规则、错误识别方法,及错误识别理论在裁判员决策支持系统中的应用研究。首先,结合错误逻辑等理论,用论域、事物、特征、量值、时间等六个特征或组合表征错误识别的对象；将错误识别对象按活动状态、人们对系统的了解程度、对象的特征T（t）量值L（t）的不同进行分类,并讨论了错误识别对象的分类方法在对象识别中的应用,有利于更全面、系统地认识错误识别的对象；定义了错误识别对象的状态,将错误识别对象的状态分为识别状态、真实状态、应该状态和目标状态等四种状态类型,并讨论了四者之间的关系。运用错误矩阵逻辑方程一类4方程AVX（?）B求解了识别状态与目标状态之间、识别状态与真实状态之间、识别状态与应该状态之间的转化,实现消除和避免错误的目的。其次,研究了错误识别规则建立的科学性、相对完备性和内部无矛盾性等原则；通过对对象系统的条件T，结论J，固有功能GY,目的功能MG,关系R等分析,研究了对象系统规则建立的模式和步骤；根据规则中的指标类型,将规则分为量化规则和非量化规则。可量化规则又分为指标值区间型、指标值固定型、指标值趋小型和指标值趋大型四种类型的规则,并且讨论了在对象集U中的元素u一定的前提下,不同指标类型的规则所对应的错误函数；研究规则函数的差、并和交运算的方法,讨论了规则之间是否有交互作用的情况。再次,结合其它领域对故障、错误识别的研究,根据消错学研究对象的特殊性,提出了几种常见的错误识别方法,包括预先错误分析法、错误假设分析法、错误检查表法、错误与可操作性方法；建立了基于错误系统角度的“PKR”错误识别方法。将系统分解成由最小要素集（可称为点集）、键集和路集构成,再根据各对象的规则,列出“PKR”系统错误识别表,采用相应的规则进行判断,最后达到有效识别错误的目的。最后,研究了基于错误识别理论和方法的南拳动作规格错误识别模型。采用数学模型法、平面方程、解析几何等方法和工具,对南拳套路动作质量（A组）评分规则规定的前扫腿、旋风腿、马步、弓步等十五个动作规则进行形式化描述,建立错误函数和基于计算机视觉的错误动作扣分模型,并举例说明,以期实现基于计算机视觉的武术套路裁判员决策支持系统,减少裁判员人工识别的难度和人为的误差和影响,使裁判工作更加科学、公正。本文以错误识别的对象、规则、识别方法和南拳裁判员动作规格错误识别模型为切入点和重点,系统地构建了错误识别方法和理论,及其在裁判员决策支持系统中的应用,不仅为系统错误识别及系统优化提供了理论支持,同时也为生产和管理实践中的错误识别及错误消除和避免、裁判员决策支持系统等提供了实践方法和工具。
白雪静[5]（2010）在《基于模糊神经网络心电信号的自动诊断》文中提出心电信号自动分析与诊断一直是信号处理的重要研究课题。本文在小波变换与模糊神经网络的理论背景下,针对正常心拍与室性早搏的识别分类做了进一步的深入研究。本文首先介绍了心电信号自动诊断系统的构成及各部分的发展现状,随后介绍了心电信号的一些基本知识,包括心电信号产生机理及常见的的几种心律失常的心电图特征以及心律失常诊断标准等。在此基础之上本文针对心电信号中存在的各种噪声和干扰进行了分析,并针对工频干扰、肌电噪声及基线漂移等噪声提出了相关的消噪方法。在对心电信号进行完预处理之后,本文接下来介绍了两种用于心电信号QRS波群检测的方法,即波峰定位法和小波变换法。重点阐明了利用小波变换进行R波识别及QRS波群起止点检测,在此基础上对R波检测、QRS波群检测进行算法设计。本文利用MIT-BIH标准心电数据库中48组的ECG数据分别对波峰定位及小波变换算法进行了仿真验证,然后对数据处理的结果进行了分析,仿真结果表明两种算法对QRS波群的识别率分别达到了99.43%和99.84 %。心电信号的自动识别分类就是利用计算机来智能识别各种异常心电波形,这是心电图自动诊断中难以实现的问题。本文使用模糊逻辑与神经网络相结合的模糊神经网络,在提取心电信号特征点完成之后,对ECG心电记录进行模糊识别及分类。文中利用了具有模糊化输入、输出的前向神经网络（BP网络）的分类识别能力,实现了ECG信号中的正常心拍和室性早搏自动识别。用MIT-BIH心电数据库中的样本数据对该模糊神经网络进行训练、检验,对网络识别的结果分析后,正确率达到了95.11%,表明该网络具有较好的PVC自动识别率。
陈晓俐[6]（2010）在《心律失常辅助诊断方法的研究》文中研究表明近年来,心血管疾病已经成为威胁人类健康的三大杀手之一,心脏病患者的数量逐年递增。心律失常是极为常见的临床表现,及时且准确地检测心律失常对于防治各种心脏疾病有着重要的临床意义。本文针对目前心律失常自动分析中存在的技术问题,结合多种理论,研究了心律失常辅助诊断方法,该方法能够有效检测多种心律失常,为医生高效而准确地诊断心律失常提供有效帮助。首先,在总结近年来几种主要的QRS复合波检测方法的基础上,对心电波形检测算法进行了研究。研究中以小波变换为基础,结合时域分析技术,实现了完整的心电波形检测算法。通过MIT-BIH心律失常标准数据库评估该算法,获得了较好的效果,其中R波的检出率为99.41%,P波和T波的特征点定位准确。第二,在实现波形检测的基础上,通过提取有效的心电特征参数,采用逻辑分支法完成了心律失常检测。研究中针对心电特征参数的选择以及心律失常判别规则的制定都是凭专家的经验,存在主观因素等缺陷,利用基于粗糙集理论的属性约简方法来选择特征参数,克服了参数选择的主观性,并参照临床诊断标准,在心电专家的指导下建立了基于Ⅱ导联的心律失常判别规则。将该规则应用于MIT-BIH心律失常标准数据库,获得了较好的效果。第三,针对逻辑分支法的不足,利用模糊神经网络求检测到的各异常心拍的隶属度,为医生的诊断提供了更多的辅助信息。第四,在软件编程上,使用C#与MATLAB混合编程技术,即：利用MATLAB的各种工具箱实现心电信号的预处理,波形检测,参数提取,逻辑判别,模糊神经网络求隶属度等主要功能模块；用C#设计用户界面,搭建总体框架并结合SQL Server开发数据库,完成了心律失常辅助诊断系统的软件设计。通过MIT-BIH心律失常标准数据库对其进行测试,获得了较好的检测结果。
柳凌燕[7]（2010）在《基于免疫规划的图像情感规则抽取算法的研究》文中指出图像中蕴涵着丰富的情感信息,图像的底层视觉特征,如颜色、纹理、形状等与图像的情感语义具有一定的对应关系。揭示图片的情感特征不仅能更深刻地描述图像,还可以将其应用于图像的人性化检索等领域。由于视觉特征到高层语义的映射通常是非线性的,难于为其建立模型,因此利用计算机模拟人类情感对图像情感语义准确理解是人工智能领域公认的难题。近年来,研究人员在进行相关问题的研究中投入了大量精力,主要的方法是引入人工智能和机器学习技术结合分类或聚类算法,通过人工交互,机器学习以及利用外部信息源等方法来实现。图像情感规则抽取的研究重点在于创建一个根据图像基本特征可对其进行感知和识别,并对图像特征中所包含的情感信息进行可理解化的描述。要实现针对图像的特征所包含的情感信息以可理解性较好的规则的形式表达出来,首先要选择适合的神经网络来对图像的特征及其情感间的映射关系进行学习。由于人类情感具有一定的复杂性、模糊性以及不确定性,虽然目前已经有很多图像情感方面的研究,但它们大多偏重于针对有限的几种典型情感进行辨识和分类,远未达到人类所赋予计算机理解和解释人类在真实世界中面对复杂多变的外界环境时所产生的各种各样的情感现象的学习以及准确分辨的能力。因此,对图像情感进行规则抽取是十分有必要的。本文的主要工作如下:（1）通过分析对情感变化产生影响的图像低阶特征,利用已通过心理学实验进行情感标注的中国情绪图片库中的风景图片,对其颜色特征采用HSV颜色空间内的非均匀量化方法,提取出图像的主颜色;（2）将其中一部分图片的颜色特征以及与其相对应的情感特征作为神经网络的训练集,训练标准三层BP神经网络;（3）分析了已有的RX规则抽取算法,并在此基础上提出了基于免疫规划的神经网络规则抽取算法,该算法根据适应度函数的大小,不断更新种群来求得最优的隐层单元激活值聚类效果,并通过列举各神经元输入与输出的关系来形成形式简洁,精度高,可理解性好的合取规则。应用本文所提出的算法建立图像低阶特征到高阶情感的映射,实验结果表明具有较高的准确率和效率。
袁继敏[8]（2009）在《基于混沌和神经网络的时域参数测试研究及其在示波器中的应用》文中研究说明本文从原理上阐述基于混沌理论的检测技术的可行性，根据混沌检测模型和神经网络检测模型在检测应用中存在的诸多需要研究的问题，研究混沌检测模型、神经网络检测模型、以及二者结合的复合检测模型的原理，提出应用混沌原理和神经网络原理相结合的检测技术检测混沌背景中的信号的时域参数。这是一个很有应用前景的研究方向。论文逆向运用混沌测量的原理，突破现有的理论，探索新的检测原理方法，直接在混沌状态下构建检测微弱信号时域参数的混沌模型和神经网络模型的方法，更有效地提取信号参数。同时，针对时域测试系统的本身动态特性属于非线性，寻找数学描述模型困难而难于校正的问题，运用逆系统理论，构建神经网络逆系统，获取原系统的非线性动态特性方法。论文重点研究建模算法、模型结构和建模方法，力求拓宽混沌和神经网络理论测试技术在时域测试、电路动态参数和瞬态参数捕获方面的应用范围，提高检测精度。论文结合时域测试的典型仪器——数字示波器，将研究成果应用到数字示波器中。针对数字示波器捕获微弱触发信号能力差，不能测量微弱信号，采样经典的理论校准静态和动态参数等许多问题，论文着力研究增强其测量微弱信号和捕获微弱触发信号的能力；建立基于混沌理论校准模型；神经网络逆系统模型，创新静态、稳态和动态校准方法。在课题研究中，作者主要做了以下几个方面的工作：（1）对神经网络识别和检测信号进行分析和研究。研究了空间分割的竞争神经网络识别规则模拟信号类别的算法，提出了将竞争神经网络应用在数字示波器中识别规则信号类别，为选择内插算法提供依据。（2）对Elman时空网络结构、稳定性及应用研究。讨论了Elman时空网络的结构和学习方法，重点研究了应用Elman时空网络测量时域信号的有效性和问题。研究了改进型Elman时空网络的算法和稳定性，并通过仿真证明了改进网络时域测量的优点。把混沌和神经网络结合起来，为构建了新的时域测量模型奠定了基础。（3）研究混沌背景下的微弱周期信号的检测。用Duffing-Holmes方程构建混沌测量模型，检测微弱周期性信号的频率；利用二维Henon映射的混沌检测模型，检测微弱的触发信号，应用在数字示波器时基中。（4）基于混沌和神经网络的微弱瞬时信号的检测的研究。研究基于FP算法的前向网络的结构和设计方法，构建了基于混沌背景下的微弱瞬时信号测量模型，在混沌状态下直接检测混沌背景下的瞬时信号。（5）基于混沌和神经网络的微弱信号时域参数检测的研究。研究了混沌系统和神经网络检测模型和方法，在混沌状态下直接获取信号时域参数。同时，深入研究了时空神经网络的结构，获得基于混沌的神经网络的微弱时域信号检测模型的建模的依据。（6）DSO校准和“NTN”校正方法中kick-out脉冲研究。研究数字示波器电压测量准确度、时基误差的估计和上升时间的测量和校准方法，建立了静态参数的混沌校准的模型。提出运用神经网络逆系统的方法，解决数字示波器动态参数校准的新思路。深入研究“NTN”校正方法和kick-out脉冲，为宽带高速数字示波器校准提供理论基础。
刘楠[9]（2008）在《基于神经网络的心电图参数标注及其在形态分析中的应用》文中进行了进一步梳理动态心电图的参数及其形态是诊断各类心脏病的主要参照指标。早期的参数标注和形态分析都是由医生手工完成,加之心电数据的庞大,使得其可靠性较差。神经网络作为模仿人脑工作方式的一种并行式分布处理器,具有较强的自学习、自组织能力和容错性,所以可以利用神经网络的这个特点来实现分类这一功能。论文从研究模糊自适应共振理论映射（Fuzzy Adaptive Resonance Theory Map,Fuzzy ARTMAP）神经网络出发,通过运用经过简化的Fuzzy ARTMAP分类器对心电图进行参数标注和形态分析,实现了对心电图的分类。论文主要研究成果如下:1、对Fuzzy ARTMAP分类器进行了较为深刻的动态特性分析和机理分析。包括各种参数的选取,并从几何上解释了模糊ART分类器的分类特性。2、同时对简化和改进的Fuzzy ARTMAP分类器进行了较为深刻的分析。如果只是将Fuzzy ARTMAP用于处理简单的分类工作,其结构会过于复杂。根据心电图分类的特点,运用简化和改进的ARTMAP对心电图ST段进行了分类,改进后的算法只使用一个隶属函数来计算输入向量和获胜神经元权值的相似度。最后利用两个模拟实验验证该SFAM神经网络的可行性。3、通过用不同的方法对心电图进行特征提取验证,简化和改进的分类器和传统的Fuzzy ARTMAP分类器都可以实现心电图的自动分类,且改进的分类器具有较小的时间开销。
崔佳[10]（2007）在《遗传算法在神经模糊控制器优化和BP神经网络优化中的应用》文中研究说明随着人工智能、计算机的进步，智能控制在国内外有了很大的发展。模糊控制系统和神经网络系统作为常用的智能控制系统，被广泛应用于各个科学等领域。本文针对模糊控制和神经网络控制中的不足，利用计算智能中的遗传算法对其进行优化设计。论文的主要工作如下：1．讨论了基本遗传算法与其它传统优化算法的优缺点，并针对基本遗传算法存在欺骗、早熟以及停滞的问题，对基本遗传算法在选择操作以及交叉和变异算子上进行了相应的改进。通过仿真实验说明改进的遗传算法的性能确实优于一般遗传算法。2．研究了模糊控制器的主要结构及工作原理，讨论了传统模糊控制器的设计依赖于领域专家的知识和经验，没有像现代控制理论那样完善和系统化，也缺少系统化的设计方法等的不足之处。而遗传算法不需要待优化函数具有连续可微性，并具有很强的通用性和隐含并行性。因此，拟用遗传算法来解决复杂系统控制器参数优化问题。最后将改进后的遗传算法应用到模糊控制器的优化设计中，提出了基于改进遗传算法的模糊控制器优化设计方法。在倒立摆系统为对象的实验中，本文用遗传算法优化了ANFIS控制器，实验结果表明具有良好的效果。3．BP网络作为神经网络最常用的形式，本文首先讨论了其收敛速度慢、容易陷入局部最优等缺陷，然后利用遗传算法具有全局寻优的特点对BP网络进行优化设计，提高了一般BP算法的收敛速度，并取得了较高的精度。最后将基于GA的BP网络应用于ECG的ST段分类上，取得较好的成果。
二、改进的模糊BP网络在ECG自动识别与规则抽取中的应用研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、改进的模糊BP网络在ECG自动识别与规则抽取中的应用研究（论文提纲范文）
（2）基于人工肝治疗的心电图智能辅助分析应用（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.2 国内外研究现状 |
| 1.3 课题研究意义 |
| 1.4 论文的组织结构 |
| 第2章 系统原理与技术基础 |
| 2.1 人工肝介绍 |
| 2.2 心电信号基础知识 |
| 2.3 ECG异常波形智能识别技术 |
| 2.4 心电数据格式简介 |
| 2.5 本章小结 |
| 第3章 系统设计 |
| 3.1 系统设计需求分析与设计目标 |
| 3.2 系统总体结构设计和工作流程 |
| 3.3 人工肝治疗中的心电数据采集、存储及建模 |
| 3.4 人工肝治疗中的心电图检测分析方案 |
| 3.5 电子健康报告子系统设计 |
| 3.6 本章小结 |
| 第4章 心电图智能辅助分析应用及电子健康档案子系统的实现 |
| 4.1 ECG数据存储、共享功能 |
| 4.2 ECG历史数据建模及比对分析 |
| 4.3 人工肝治疗过程中ECG智能辅助诊疗应用 |
| 4.4 电子健康档案子系统 |
| 4.5 数据库设计 |
| 4.6 本章小结 |
| 第5章 系统测试分析 |
| 5.1 系统测试环境及测试内容 |
| 5.2 系统测试 |
| 5.3 系统测试结果 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及在学习期间取得的科研成果 |
（3）基于小波分析和神经网络的异常心电信号分类研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 图表目录 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 ECG 自动诊断系统概述 |
| 1.2.1 ECG 自动诊断系统的构成 |
| 1.2.2 ECG 自动诊断系统的研究现状 |
| 1.2.3 ECG 自动诊断系统研究的难点 |
| 1.3 本文主要内容 |
| 1.4 本文结构安排 |
| 第二章 心电图的基本知识 |
| 2.1 心电信号的产生机理 |
| 2.2 心电图的基础 |
| 2.3 常见心率失常心电图表现 |
| 2.3.1 早搏 |
| 2.3.2 窦性心律不齐 |
| 2.3.3 起搏器起搏的心拍 |
| 2.3.4 束支传导阻滞 |
| 2.4 心室过早搏动 |
| 2.5 本章小结 |
| 第三章 心电信号的预处理 |
| 3.1 ECG 信号中存在的噪声与干扰分析 |
| 3.2 基于经典数字滤波技术的心电消噪 |
| 3.2.1 基线漂移校正 |
| 3.2.2 高频肌电噪声及工频干扰的滤除 |
| 3.3 基于小波理论的 ECG 消噪 |
| 3.3.1 小波变换特性及原理 |
| 3.3.2 小波消噪算法中的关键问题分析 |
| 3.3.3 小波算法在 ECG 消噪中的应用与实现 |
| 3.4 传统滤波与小波消噪的比较与分析 |
| 3.5 本章小结 |
| 第四章 基于小波理论的 QRS 波群检测算法研究 |
| 4.1 QRS 波群检测意义及常用检测法 |
| 4.2 基于经典差分阈值法的 R 波检测 |
| 4.3 小波变换探测 ECG 信号奇异点原理 |
| 4.3.1 多分辨率分析和 Mallat 算法 |
| 4.3.2 ECG 信号在在小波变换下的特征 |
| 4.4 基于双正交二次 B 样条小波的 QRS 波群识别算法 |
| 4.4.1 算法研究及仿真 |
| 4.4.2 小波检测法与经典差分阈值法的比较与分析 |
| 4.5 本章小结 |
| 第五章 基于神经网络的异常心电信号自动分类 |
| 5.1 BP 神经网络 |
| 5.1.1 BP 神经网络的构成与实际应用 |
| 5.1.2 训练 BP 神经网络 |
| 5.2 对普通 BP 神经网络的分析及改进 |
| 5.2.1 BP 神经网络的有限性 |
| 5.2.2 本文改进的 BP 神经网络算法 |
| 5.3 基于 BP 网络算法改进的早搏心拍检测 |
| 5.3.1 BP 神经网络检测分类的结构设计 |
| 5.3.2 检测分类的算法设计 |
| 5.3.3 心电图神经网络分类的可靠性分析 |
| 5.4 基于 BP 网络改进算法的心律异常信号分类 |
| 5.4.1 实验设计与实现 |
| 5.4.2 实验仿真与结果统计 |
| 5.5 本章小结 |
| 第六章 总结及展望 |
| 6.1 本文工作总结 |
| 6.2 今后研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的论文及参与项目 |
（4）错误识别理论与方法及其在裁判员决策支持系统中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的背景 |
| 1.2 研究意义 |
| 1.3 文献综述 |
| 1.3.1 错误识别的研究现状 |
| 1.3.2 识别对象研究现状 |
| 1.3.3 识别规则研究现状 |
| 1.3.4 错误识别方法研究现状 |
| 1.3.5 电子裁判技术研究现状 |
| 1.3.6 研究发展趋势 |
| 1.4 论文结构 |
| 第二章 基本理论 |
| 2.1 错误及错误集理论 |
| 2.2 错误系统理论 |
| 2.3 错误函数 |
| 2.3.1 错误函数的概念和类型 |
| 2.3.2 错误函数与判别规则之间的关系 |
| 2.4 错误逻辑 |
| 2.5 错误矩阵及其运算 |
| 2.5.1 错误矩阵 |
| 2.5.2 错误矩阵的运算 |
| 2.6 错误矩阵方程 |
| 2.6.1 等式型错误矩阵方程 |
| 2.6.2 包含型错误矩阵方程 |
| 2.7 错误分析方法 |
| 2.7.1 故障树分析法 |
| 2.7.2 事件树分析法 |
| 2.7.3 错误分析法 |
| 2.7.4 防错法 |
| 2.8 错误识别理论框架 |
| 2.9 本章小结 |
| 第三章 错误识别对象 |
| 3.1 错误识别的对象的特征及表达式 |
| 3.2 错误识别对象的分类 |
| 3.2.1 按对象的活动状态分类 |
| 3.2.2 按人们对对象系统的了解程度分类 |
| 3.2.3 按照对象的特征和量值的不同分类 |
| 3.3 错误识别对象的状态及其关系 |
| 3.3.1 错误识别对象的状态 |
| 3.3.2 识别状态、真实状态、应该状态三者之间的关系 |
| 3.4 基于矩阵逻辑方程的对象识别状态与目标状态之间的转化 |
| 3.5 基于矩阵逻辑方程的对象识别状态与真实状态之间的转化 |
| 3.6 基于矩阵逻辑方程的对象识别状态与应该状态之间的转化 |
| 3.7 本章小结 |
| 第四章 错误识别规则 |
| 4.1 判别规则的特性 |
| 4.1.1 判别错误规则的变动性 |
| 4.1.2 判别错误规则的层次性 |
| 4.1.3 判别错误规则的完备性 |
| 4.1.4 判别错误规则的科学性 |
| 4.1.5 判别错误规则的模糊性 |
| 4.1.6 判别错误规则的无矛盾性 |
| 4.1.7 判别规则在一定条件下的不可改变性 |
| 4.1.8 判别错误规则的并列性 |
| 4.2 判别规则的建立 |
| 4.2.1 判别规则建立的原则 |
| 4.2.2 判别错误的规则建立的模式 |
| 4.3 判别规则的类型 |
| 4.3.1 按指标类型分类 |
| 4.3.2 按量化规则中指标值类型分类 |
| 4.4 判别规则函数的运算 |
| 4.4.1 规则函数的差 |
| 4.4.2 规则函数的并 |
| 4.4.3 规则函数的交 |
| 4.4.4 规则函数的交互作用 |
| 4.5 本章小结 |
| 第五章 错误识别方法 |
| 5.1 预先错误分析法 |
| 5.1.1 预先错误分析步骤 |
| 5.1.2 预先错误分析的等级划分 |
| 5.1.3 预先错误分析注意事项 |
| 5.1.4 预先错误分析的优、缺点及使用范围 |
| 5.2 错误假设分析法 |
| 5.2.1 错误假设分析步骤 |
| 5.2.2 错误假设分析的优、缺点及使用范围 |
| 5.3 错误检查表法 |
| 5.3.1 错误检查表的编制依据 |
| 5.3.2 错误检查表编制步骤 |
| 5.3.3 编制检查表应注意事项 |
| 5.3.4 错误假设分析的优、缺点及使用范围 |
| 5.4 错误与可操作性方法 |
| 5.4.1 错误与可操作性方法执行步骤 |
| 5.4.2 错误与可操作性方法的优、缺点及使用范围 |
| 5.5 “点-键-路”错误识别方法 |
| 5.5.1 “点-键-路”错误识别方法原理及步骤 |
| 5.5.2 应用 |
| 5.6 本章小结 |
| 第六章 武术南拳裁判员决策支持系统应用 |
| 6.1 基于错误逻辑矩阵的南拳项目错误识别对象描述 |
| 6.1.1 基于错误逻辑矩阵的运动员特征描述 |
| 6.1.2 武术南拳项目三维坐标系的建立 |
| 6.1.3 基于三维坐标系的运动员特征描述 |
| 6.2 基于错误系统的南拳动作规格(A组)规则对象系统的建立 |
| 6.2.1 武术套路自选南拳动作规格错误内容及扣分标准 |
| 6.2.2 武术套路自选南拳动作规格规则对象系统的建立 |
| 6.3 基于计算机视觉的南拳动作规格错误识别模型 |
| 6.3.1 基于计算机视觉的南拳前扫腿错误动作识别模型 |
| 6.3.2 基于计算机视觉的横钉腿错误动作识别模型 |
| 6.3.3 基于计算机视觉的腾空飞脚错误动作识别模型 |
| 6.3.4 基于计算机视觉的旋风脚错误动作识别模型 |
| 6.3.5 基于计算机视觉的腾空外摆腿错误动作识别模型 |
| 6.3.6 基于计算机视觉的腾空盘腿360度侧扑错误动作识别模型 |
| 6.3.7 基于计算机视觉的鲤鱼打挺直立错误动作识别模型 |
| 6.3.8 基于计算机视觉的腾空双侧踹错误动作识别模型 |
| 6.3.9 基于计算机视觉的弓步错误动作识别模型 |
| 6.3.10 基于计算机视觉的马步错误动作识别模型 |
| 6.3.11 基于计算机视觉的虚步错误动作识别模型 |
| 6.3.12 基于计算机视觉的仆步错误动作识别模型 |
| 6.3.13 基于计算机视觉的蝶步错误动作识别模型 |
| 6.3.14 基于计算机视觉的跪步错误动作识别模型 |
| 6.3.15 基于计算机视觉的骑龙步错误动作识别模型 |
| 6.4 应用 |
| 6.4.1 运动员甲错误动作的错误函数的建立 |
| 6.4.2 运动员甲错误动作扣分模型的建立 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文 |
| 致谢 |
（5）基于模糊神经网络心电信号的自动诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 ECG 自动诊断系统概述 |
| 1.2.1 ECG 自动诊断系统的构成 |
| 1.2.2 ECG 自动诊断系统的研究现状 |
| 1.2.3 ECG 自动诊断系统研究的难点 |
| 1.3 本文主要内容 |
| 1.4 本文结构安排 |
| 第2章 心电图的基本知识 |
| 2.1 心电信号的产生机理 |
| 2.2 心电图的基础 |
| 2.3 常见心率失常心电图表现 |
| 2.3.1 早搏 |
| 2.3.2 窦性心律不齐 |
| 2.3.3 起搏器起搏的心拍 |
| 2.3.4 束支传导阻滞 |
| 2.4 心室过早搏动 |
| 2.5 本章小结 |
| 第3章 ECG 信号的预处理 |
| 3.1 ECG 信号的噪声与干扰分析 |
| 3.2 ECG 心电信号预处理 |
| 3.2.1 平滑滤波器滤除工频干扰 |
| 3.2.2 基线漂移滤波 |
| 3.2.3 肌电干扰（EMG）的滤除 |
| 3.3 本章小结 |
| 第4章 ECG 波形检测算法 |
| 4.1 基于波峰定位的QRS 波检测方法 |
| 4.1.1 波峰定位算法介绍 |
| 4.1.2 R 波的检测定位 |
| 4.1.3 QRS 波群起点与终点的提取 |
| 4.1.4 数据处理结果及分析 |
| 4.2 小波变换算法介绍 |
| 4.2.1 小波变换的定义 |
| 4.2.2 Mallat 算法 |
| 4.2.3 Lipschitz 指数与模极大值的关系 |
| 4.3 小波分解的方法进行QRS 波检测 |
| 4.3.1 小波变换用于检测QRS 奇异点的原理 |
| 4.3.2 R 检测过程 |
| 4.3.3 检测QRS 波群的起点与终点 |
| 4.3.4 数据处理结果及分析 |
| 4.4 本章小结 |
| 第5章 基于模糊神经网络的ECG 诊断 |
| 5.1 ECG 自动识别和诊断技术使用的理论背景 |
| 5.1.1 人工神经网 |
| 5.1.2 模糊数学相关原理 |
| 5.1.3 模糊理论与神经网络的结合 |
| 5.2 模糊神经网络的结构 |
| 5.2.1 输入的模糊化预处理 |
| 5.2.2 隶属度函数的设计 |
| 5.2.3 隐含层数和层内节点的选择 |
| 5.3 基于模糊神经网络的PVC 自动识别 |
| 5.3.1 ECG 信号特征参数的选取 |
| 5.3.2 模糊神经网络用于ECG 诊断的具体过程 |
| 5.4 仿真结果和分析 |
| 5.4.1 实验数据的选取 |
| 5.4.2 性能评估及结果分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（6）心律失常辅助诊断方法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 心电图基础知识 |
| 1.1.1 心电传导系统 |
| 1.1.2 心电图导联体系 |
| 1.2 心律失常 |
| 1.3 课题意义 |
| 1.4 国内外现状以及技术难点 |
| 1.5 论文结构安排 |
| 第二章 心电信号预处理与波形检测 |
| 2.1 小波变换基础理论 |
| 2.1.1 小波变换的由来 |
| 2.1.2 小波变换 |
| 2.1.3 多分辨率分析 |
| 2.2 基于小波变换的心电信号预处理 |
| 2.2.1 小波变换去噪原理 |
| 2.2.2 心电信号预处理及结果分析 |
| 2.3 基于小波变换的波形检测 |
| 2.3.1 小波变换检测信号突变点 |
| 2.3.2 心电波形检测及结果分析 |
| 2.4 本章小结 |
| 第三章 特征参数的选择提取与心律失常分类 |
| 3.1 引言 |
| 3.2 基于粗糙集理论的属性约简 |
| 3.2.1 粗糙集理论的基本概念 |
| 3.2.2 决策系统及其属性约简 |
| 3.3 特征参数的选择 |
| 3.4 心律失常分类 |
| 3.4.1 窦性心律失常 |
| 3.4.2 期前收缩 |
| 3.4.3 阵发性心动过速 |
| 3.4.4 扑动和颤动 |
| 3.4.5 逸搏及逸搏心律 |
| 3.4.6 传导阻滞 |
| 3.4.7 持续宽QRS波 |
| 3.5 逻辑分支算法实现及结果分析 |
| 3.6 本章小结 |
| 第四章 模糊神经网络在心律失常辅助诊断中的应用 |
| 4.1 引言 |
| 4.2 神经网络 |
| 4.2.1 生物神经网络 |
| 4.2.2 人工神经网络 |
| 4.2.3 BP神经网络 |
| 4.3 模糊神经网络 |
| 4.4 模糊神经网络在心律失常辅助诊断中的应用及结果分析 |
| 4.5 本章小结 |
| 第五章 系统软件设计 |
| 5.1 引言 |
| 5.2 主要功能模块的实现 |
| 5.3 界面设计 |
| 5.4 病案管理 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间主要的研究成果 |
（7）基于免疫规划的图像情感规则抽取算法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题目的及意义 |
| 1.2 国内外研究热点及现状 |
| 1.3 本文研究的主要内容 |
| 1.4 本文的组织结构 |
| 第二章 相关技术与理论 |
| 2.1 图像可视化特征 |
| 2.1.1 颜色特征提取 |
| 2.1.2 纹理特征提取 |
| 2.2 图像视觉特征与情感的映射关系 |
| 2.3 神经网络理论概述 |
| 2.3.1 神经网络的基本工作原理 |
| 2.3.2 BP 神经网络模型 |
| 2.4 免疫学理论 |
| 2.4.1 免疫规划算法 |
| 2.4.2 免疫克隆选择算法 |
| 2.4.3 免疫算法及其它算法在规则抽取方面的应用 |
| 2.5 模糊C-均值聚类算法 |
| 2.6 小节 |
| 第三章 基于神经网络的图像情感规则抽取 |
| 3.1 ADT 分类学 |
| 3.2 FACC 评价体系 |
| 3.3 神经网络的规则抽取算法RX 算法介绍 |
| 3.3.1 RX 算法基本原理 |
| 3.3.2 选用RX 规则抽取算法的原因 |
| 3.3.3 RX 规则抽取算法存在的不足及改进方法 |
| 3.4 基于免疫规划的规则抽取算法 |
| 3.4.1 基于免疫规划的规则抽取算法基本原理 |
| 3.4.2 疫苗的提取与接种 |
| 3.5 本章小结 |
| 第四章 基于免疫规划的图像情感规则获取 |
| 4.1 基于免疫规划的图像情感规则抽取的基本流程 |
| 4.2 图像的主颜色特征及情感值的提取 |
| 4.2.1 图像选择 |
| 4.2.2 图像的颜色特征提取 |
| 4.2.3 图像的情感特征提取 |
| 4.3 神经网络的初始化，训练及剪枝 |
| 4.3.1 BP 网络的初始化 |
| 4.3.2 BP 网络的训练 |
| 4.4 图像情感规则的抽取 |
| 4.5 实验结果及分析 |
| 4.6 本章小结 |
| 第五章 结论及展望 |
| 5.1 本文的主要工作和结论 |
| 5.2 今后的研究方向 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（8）基于混沌和神经网络的时域参数测试研究及其在示波器中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 神经网络的发展及研究方向 |
| 1.2.1 神经网络的发展 |
| 1.2.2 神经网络的研究方向和状况 |
| 1.3 混沌学发展及研究状况 |
| 1.3.1 混沌发展简况 |
| 1.3.2 国内外混沌研究状况 |
| 1.4 数字示波器的发展及提出的问题 |
| 1.5 课题来源及作者研究方向 |
| 1.6 全文的主要内容及安排 |
| 第二章 Elman神经网络和竞争网络建模研究及其应用 |
| 2.1 引言 |
| 2.2 神经网络的基本原理 |
| 2.2.1 基本的神经网络及分类 |
| 2.2.2 人工神经网络的学习 |
| 2.3 Elman神经网络结构、算法及在测量中的应用 |
| 2.3.1 基本Elman神经网络的结构和算法 |
| 2.3.2 Elman网络时域测量仿真 |
| 2.3.3 改进Elman神经网络的结构和算法 |
| 2.3.4 改进Elman网络测量仿真 |
| 2.4 竞争神经网络 |
| 2.4.1 竞争神经网络的基本结构 |
| 2.4.2 竞争神经网络的学习算法 |
| 2.5 基于空间分割的竞争神经网络识别信号 |
| 2.5.1 空间分割神经网络分类原理 |
| 2.5.2 软边界处理的空间分割神经网络 |
| 2.5.3 空间分割神经网络分类的实验 |
| 2.6 小结 |
| 第三章 基于混沌理论的信号检测 |
| 3.1 引言 |
| 3.2 混沌基本研究方法和模型 |
| 3.2.1 混沌基本研究方法 |
| 3.2.2 最大Lyapunov指数和嵌入维计算 |
| 3.2.3 测量中的混沌模型 |
| 3.3 微弱周期信号的测量 |
| 3.4 数字示波器时基中的混沌应用 |
| 3.4.1 混沌检测模型 |
| 3.4.2 系统方案 |
| 3.5 随机数字宽带示波器内插时间测量的混沌方法 |
| 3.6 小结 |
| 第四章 基于混沌和神经网络的微弱信号参数检测 |
| 4.1 引言 |
| 4.2 基于混沌和神经网络的测量模型研究 |
| 4.2.1 lorenz混沌系统 |
| 4.2.2 时域信号测量模型 |
| 4.2.3 混沌背景中微弱信号检测模型 |
| 4.3 基于FP算法的前馈网络的微弱瞬时信号的测量 |
| 4.3.1 BP网络结构和算法 |
| 4.3.2 FP算法 |
| 4.3.3 基于FP算法的前馈网络瞬时信号检测模型及仿真 |
| 4.4 基于混沌和时空神经网络的建模及微弱信号参数检测 |
| 4.4.1 时空神经网络测量模型 |
| 4.4.2 混沌背景下的微弱信号测量 |
| 4.4.3 模型测量实验 |
| 4.5 小结 |
| 第五章 基于混沌和神经网络逆系统的DSO的校准研究 |
| 5.1 引言 |
| 5.2 数字示波器基本指标和测量方法 |
| 5.3 基于混沌检测模型的电压测量 |
| 5.3.1 数字示波器电压校准的基本方法 |
| 5.3.2 基于混沌的数字示波器电压测量方法 |
| 5.4 基于混沌的数字示波器的时基校准 |
| 5.4.1 时间基准检定常规方法 |
| 5.4.2 基于混沌检测模型的时基校准法 |
| 5.5 DSO上升时间的神经网络逆系统校准法研究 |
| 5.5.1 数字示波器上升时间的测量探讨 |
| 5.5.2 神经网络逆系统校正 |
| 5.6 DSO的"TNT"校准法研究 |
| 5.6.1 Kick-Out脉冲的参数 |
| 5.6.2 取样示波器NTN技术适用的带宽分析 |
| 5.7 小结 |
| 第六章 全文总结与展望 |
| 致谢 |
| 参考文献 |
| 附录A 缩略语 |
| 附录B 攻读博士期间取得的研究成果 |
| 一、科研成果 |
| 二、发表的论文 |
| 三、编写书籍 |
| 四、获奖情况 |
（9）基于神经网络的心电图参数标注及其在形态分析中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 本课题研究意义 |
| 1.2 心电信号识别技术的国内外发展现状 |
| 1.3 本文主要工作 |
| 第2章 心电图的特征提取及其形态分析 |
| 2.1 小波变换理论 |
| 2.2 小波变换检测特征点 |
| 2.2.1 多孔算法及二次样条小波 |
| 2.2.2 R波峰值点的检测 |
| 2.2.3 特征点的检测 |
| 2.3 ST段形态分析 |
| 2.4 ST段形态识别方法 |
| 2.5 ST形态识别结果 |
| 第3章 共振理论映射分类器 |
| 3.1 Fuzzy ARTMAP发展历程 |
| 3.2 Fuzzy ARTMAP |
| 3.2.1 Fuzzy ARTMAP网络结构 |
| 3.2.2 Fuzzy ARTMAP学习算法 |
| 3.3 Fuzzy ARTMAP分类器动态特性分析 |
| 3.3.1 调整参数和警戒参数的选择 |
| 3.3.2 模糊ART分类器的几何解释 |
| 第4章 简化的Fuzzy ARTMAP(SFAM) |
| 4.1 简化的Fuzzy ARTMAP分类器 |
| 4.1.1 SFAM网络结构 |
| 4.1.2 SFAM学习算法 |
| 4.2 SFAM测试算法 |
| 4.3 隶属函数说明 |
| 4.4 模拟实验 |
| 4.4.1 二维数据-579 |
| 4.4.2 二维数据-双螺旋 |
| 第5章 利用SFAM对心电图ST段的分类 |
| 5.1 实验方法及结果分析 |
| 第6章 结论和展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（10）遗传算法在神经模糊控制器优化和BP神经网络优化中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| Content |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 本文的主要工作 |
| 第二章 遗传算法的原理和方法 |
| 2.1 遗传算法的基本原理 |
| 2.2 遗传算法的优缺点 |
| 2.3 改进的遗传算法 |
| 2.4 仿真研究 |
| 2.5 本章小结 |
| 第三章 遗传算法在神经模糊控制器优化中的应用 |
| 3.1 引言 |
| 3.2 模糊理论 |
| 3.3 模糊推理 |
| 3.4 模糊控制存在的问题 |
| 3.5 基于遗传算法的神经模糊控制器的优化设计 |
| 3.6 本章小结 |
| 第四章 基于遗传算法的BP神经网络在ST段识别中的应用 |
| 4.1 神经网络的选择 |
| 4.2 BP神经网络 |
| 4.3 基于GA的BP神经网络在ECG识别中的应用 |
| 4.4 实验及结果分析 |
| 4.5 本章小结 |
| 第五章 结论及展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间发表论文情况 |
四、改进的模糊BP网络在ECG自动识别与规则抽取中的应用研究（论文参考文献）
- [1]基于小波去噪和深度学习的含噪声心电信号分类[A]. 刘昱昕,张延华,杨睿哲. 第十四届全国信号和智能信息处理与应用学术会议论文集, 2021
- [2]基于人工肝治疗的心电图智能辅助分析应用[D]. 钱铮铮. 浙江大学, 2016(03)
- [3]基于小波分析和神经网络的异常心电信号分类研究[D]. 赵毅. 太原理工大学, 2015(09)
- [4]错误识别理论与方法及其在裁判员决策支持系统中的应用[D]. 周小平. 广东工业大学, 2013(05)
- [5]基于模糊神经网络心电信号的自动诊断[D]. 白雪静. 哈尔滨工业大学, 2010(03)
- [6]心律失常辅助诊断方法的研究[D]. 陈晓俐. 中南大学, 2010(02)
- [7]基于免疫规划的图像情感规则抽取算法的研究[D]. 柳凌燕. 太原理工大学, 2010(10)
- [8]基于混沌和神经网络的时域参数测试研究及其在示波器中的应用[D]. 袁继敏. 电子科技大学, 2009(11)
- [9]基于神经网络的心电图参数标注及其在形态分析中的应用[D]. 刘楠. 华东师范大学, 2008(08)
- [10]遗传算法在神经模糊控制器优化和BP神经网络优化中的应用[D]. 崔佳. 郑州大学, 2007(04)