基于支持向量機的多類意識任務分類方法研究.pdf

1、本文圍繞基于腦電的BCI系統(tǒng)中的意識任務分類問題，在特征提取與降維、核函數(shù)與核參數(shù)的選擇、多類分類器設計等幾個關鍵技術方面進行了較為深入的研究。 論文首先介紹了腦電信號分類的背景、研究現(xiàn)狀及其科學意義，統(tǒng)計學習理論及支持向量機算法的基本理論。為了討論核參數(shù)的選擇，本文首先研究了核參數(shù)的變化規(guī)律，然后提出了采取“粗調加細調”的方法來快速的尋找最優(yōu)參數(shù)組合的方法，更適于實際應用。 在對高維腦電特征向量進行降維處理時，由于特征

2、提取是通過某種映射來達到數(shù)據(jù)壓縮的目的，這種方法會破壞特征向量原有的物理意義，使得構造的新的特征向量可理解性差，不利于分類。因此本文通過特征選擇對最佳電極組合和EEG特征進行了選擇。 為了解決多分類問題，本文在對現(xiàn)有的多類分類方法簡要敘述的基礎上，針對他們的優(yōu)缺點，將基于類分布的決策樹與SVM結合，提出了一種改進的支持向量機多類分類方法——基于類分布的決策樹SVMs分類器。為了降低決策樹“誤差累積”效應的影響，用基于類分布的可分