基于支持向量机的多类意识任务分类方法研究.pdf

兰州理工大学
硕士学位论文
基于支持向量机的多类意识任务分类方法研究
姓名:黄玲
申请学位级别:硕士
专业:检测技术与自动化装置
指导教师:张爱华
20070508
摘要向量机多类分类方法一一基于类分布的决策树分类器。为了降低决策树“误脑一机接口窃谌四院图扑慊蚱渌缱由璞钢浣⒌囊恢种苯拥信息交流和控制通道,是一种不依赖于常规大脑输出通路庵苌窬图∪庾橹的全新的信息交流系统。现代的脑科学研究表明,从大脑皮层的多导电极上采集得到的脑电信号珽毯欧岣坏娜颂迳聿±硇畔ⅲ并能反映大脑的功能状态。研究人在不同意识状态下的藕牛ü约钢旨单易分意识任务的藕沤心J绞侗穑纬山衔8丛拥目刂泼睿瓿啥月椅、假肢等辅助设备的控制,可帮助严重行为障碍的患者与外界进行交流。然而由于脑电信号的复杂性和非平稳性,人们很难获得足够的特征数据对分类器进行训练并实现分类。统计学习理论是针对小样本估计和预测的理论,在很大程度上解决了模型选择与过学习问题、非线性和维数灾难等问题。支持向量机琒掷嗥髯魑M臣蒲袄砺鄣氖迪址椒ǎ唤鼋峁简单,而且各种性能尤其是推广能力明显提高,由于它是专门针对小样本情况的,其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值。所以是意识任务分类领域中一种可行的选择。虽然诶砺凵暇哂泻芡怀龅挠攀疲谟τ弥写嬖诹礁龉丶晕侍狻首先,对于给定的样本,掷嗥鞯男阅苤饕J芎撕捌洳问挠跋欤虼如何选取最优的核函数及其参数是掷嗥魅〉美硐敕掷嘈Ч墓丶F浯危畛跏钦攵远啾鸬姆掷嗵岢龅模=渫乒愕蕉喾掷辔侍猓韫乖於嗬分类器。因此,本文围绕基于脑电的低持械囊馐度挝穹掷辔侍猓特征提取与降维、核函数与核参数的选择、多类分类器设计等几个关键技术方面进行了较为深入的研究。论文首先介绍了脑电信号分类的背景、研究现状及其科学意义,统计学习理论及支持向量机算法的基本理论。为了讨论核参数的选择,本文首先研究了核参数的变化规律,然后提出了采取“粗调加细调”的方法来快速的寻找最优参数组合的方法,更适于实际应用。在对高维脑电特征向量进行降维处理时,由于特征提取是通过某种映射来达到数据压缩的目的,这种方法会破坏特征向量原有的物理意义,使得构造的新的特征向量可理解性差,不利于分类。因此本文通过特征选择对最佳电极组合和卣鹘辛搜≡瘛为了解决多分类问题,本文在对现有的多类分类方法简要叙述的基础上,针对他们的优缺点,将基于类分布的决策树与岷希岢隽艘恢指慕闹С差累积”效应的影响,用基于类分布的可分离性测度来决定决策树的走向。这种硕士学位论文
方法不但克服了传统多类摹熬芊帧蔽侍猓腋鞲龇掷嗥鞯牟问煞直选择,有利于提高分类准确率。最后本论文将这种方法引入意识任务分类领域,通过对年喝蠭研究协会提供的一组数据中三个对象、三种不同意识任务进行分析,用该方法得到的分类最高准确率均明显高于传统多类。这证明了本文所采用方法的有效性,并为多类意识任务的识别提供了一关键词:脑电信号支持向量机特征选择决策树分离性测度种新的方法。基于支持向量机的多类意识任务分类方法研究本文由国家自然科学基金资助,编号
琣甋”,,.,,,瑆瑃,.甋猻疭甀,琻’.,,,”,,.琣.Ⅱ
篍猄猚甌;.”,‘‘.,.,一
插图索引图最优分类超平面示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图脑机接口的结构模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..国际标准导联系统的缂ǚ植纪肌结构风险最小化原理图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图输入空间到特征空间的映射⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..图支持向量机网络结构⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯惴ň芊智蚴疽馔肌图决策树算法示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.图决策树剐汀图类距离法示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图类间易分性比较⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图多类别决策树的二叉树结构图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯三个对象特征向量维数按导变化时的线性分类准确率⋯⋯⋯⋯.全局嘈问核函数⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..图局部断蚧核函数⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯误差随仃变化曲线⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..图误差随浠摺图分级聚类训练⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..图决策树形式⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图硕士学位论文
附表索引时曜嫉剂2课弧⒚啤⒋藕捅嗪拧三个对象的类间分离性测度⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯表对象侄嗬郤惴ú馐宰既仿时冉稀三个对象功率谱密度样本数⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯表基于支持向量机的多类意识任务分类方法研究
戡州作者签名:铃学位论文原创性声明学位论文版权使用授权书日期:澳阹月‘日兰州理工大学日