贝叶斯决策理论和模糊模式识别在生物电信号模式识别中的应用

论文编号:ZD757    论文字数:30825,页数:107 ,有任务书，外文翻译，程序

摘  要
 
 贝叶斯决策理论和模糊模式识别理论是模式识别范畴中的一个重要分支，在许多领域被广泛地应用。
 本文在对贝叶斯决策理论和模糊模式识别理论进行学习及分析的基础上，应用MATLAB语言进行编程，提出了贝叶斯分类器的算法和模糊聚类的算法，并将模糊思想推广到了神经网络，提出了模糊神经网络算法。完成了最小错误率贝叶斯分类器、改进的贝叶斯分类器、基于模糊C-均值算法的分类器、基于模糊Kohonen聚类网络算法的分类器、基于模糊聚类的遗传算法的分类器、基于模糊K近临法的分类器、基于模糊ISODATA算法的分类器、模糊BP网络分类器、模糊Elman网络分类器和模糊RBF网络分类器的设计。
 作为所设计的分类器的应用，给出了在表面肌电信号模式识别中的应用结果。实验结果表明只有基于模糊聚类遗传算法的分类器对人体前臂8个动作（握拳、展拳、腕内旋、腕外旋，屈腕、伸腕、前臂内旋、前臂外旋）的识别率在90%以下，其它分类器的识别率均达到90%以上。
 
 关键词 模式识别  贝叶斯决策  模糊聚类分析  模糊神经网络  表面肌电信号
 
 
 
Abstract

 The Bayes decision theories and fussy pattern recognition theories  are important branch of fuzzy pattern recognition, they are widely used in many fields.
 In this paper, based on studying the Bayes decision theories and fussy pattern recognition theories, using the MATLAB language to program, a suppressed Bayes classifer and fuzzy clustering algorithm is proposed. Besides, suppressed fuzzy network algorithm is present according to the same idea. Completed the design that minimum mistake rate Bayes classification machine, improvement Bayes classification machine, according to fuzzy c-means clustering algorithm classification machine, according to the fuzzy Kohonen clustering network, according to the fuzzy ISODATA clustering, according to the that fuzzy K-Nearly the method, the fuzzy BP network classification machine, the fuzzy Elman network classification machine and fuzzy network of RBF categorizes the machine.
 As the proposed algorithm’s applications, surface electromyogra-
phic(SEMG) is valid. Experimental results indicate that these algorithms are valid.
 
Keywords: Pattern Recognition   Bayes Decision 
 Fussy Clustering Algorithm   Fuzzy Network  
 Surface Electromyograhic (SEMG)
 目    录
 
摘要 Ⅰ
Abstract Ⅱ

第1章  绪论 1
    1.1  生物电信号简介 1
    1.2  模式识别概述 1
        1.2.1  模式识别的概念 2
        1.2.2  模式识别的方法 2
    1.3  贝叶斯决策理论和模糊模式识别简介 4
 1.4  课题的任务及要求 5
 1.5  课题的内容安排 5
第2章  MATLAB语言 6
    2.1  MATLAB语言简介 6
    2.2  MATLAB语言的特点 6
 2.3  MATLAB语言的程序结构 7
 2.3.1  循环结构 7
        2.3.2  转移结构 8
 2.3.1  函数的基本结构 8
第3章  总体方案设计 9
 3.1  肌电信号的拾取和预处理 9
 3.1.1  数据的采集 9
        3.1.2  数据的提取 9
 3.1.1  数据的预处理 10
 3.2  总体方案的设计与实现 11
 3.3  经济与社会效益 12
第4章  贝叶斯分类器及其在模式识别中的应用 13
    4.1  贝叶斯分类器的基本原理 13
 4.2  最小错误率贝叶斯分类器在模式识别中的应用 14
 4.2.1  最小错误率贝叶斯分类器的算法 14
        4.2.2  实验结果 14
    4.3  改进的贝叶斯分类器在模式识别中的应用 16
 4.3.1  改进的贝叶斯分类器的算法 16
        4.3.2  实验结果 17
    4.4  小结 19
第5章  模糊聚类分析及其在模式识别中的应用 21
    5.1  模糊聚类的基本原理 21
 5.2  C-均值聚类算法在模式识别中的应用 22
 5.2.1  硬C-均值聚类算法 22
        5.2.2  模糊C-均值聚类算法 23
        5.2.3  实验结果 24
    5.3  模糊Kohonen聚类网络在模式识别中的应用 26
 5.3.1  模糊Kohonen聚类网络算法 26
        5.3.2  实验结果 27
    5.4  模糊ISODATA算法在模式识别中的应用 29
 5.4.1  模糊ISODATA算法 29
        5.4.2  实验结果 29
    5.5  模糊K-近邻算法在模式识别中的应用 30
 5.5.1  模糊K-近邻算法 31
        5.5.2  实验结果 31
    5.6  模糊聚类遗传算法在模式识别中的应用 33
 5.6.1  模糊聚类的遗传算法 33
        5.6.2  实验结果 35
    5.7  小结 35
第6章  模糊神经网络及其在模式识别中的应用 37
    6.1  模糊神经网络概述 37
 6.2  模糊神经网络的基本结构 38
    6.3  模糊BP网络在模式识别中的应用 40
 6.3.1  模糊BP网络的算法 40
        6.3.2  实验结果 41
    6.4  模糊Elman网络在模式识别中的应用 42
 6.4.1  模糊Elman网络的算法 42
        6.4.2  实验结果 42
    6.5  模糊RBF网络在模式识别中的应用 43
 6.5.1  模糊RBF网络的算法 43
        6.5.2  实验结果 44
    6.6  小结 45
结论 46
致谢 48
参考文献 49
附录1  AR特征值的数据结构 50
附录2  倒谱系数特征值的数据结构 54
附录3  复杂度特征值的数据结构 58
附录4  最小错误率贝叶斯分类器源程序清单 59
附录5  改进的贝叶斯分类器源程序清单 63
附录6  模糊C均值聚类源程序清单 69
附录7  模糊Kohonen聚类网络源程序清单 74
附录8  模糊K近邻源程序清单 81
附录9  模糊KOHONEN聚类源程序清单 86
附录10  模糊聚类的遗传算法源程序清单 92
附录11  模糊BP神经网络源程序清单 96
附录12  模糊Elman神经网络源程序清单 104
附录13  模糊RBF神经网络源程序清单 106