فایل ورد کامل ارایه روشی خودکار برای طبقه بندی سیگنالهای EEG با استفاده ازشبکه عصبی والگوریتم LOA 33631 صفحه در word

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل ارایه روشی خودکار برای طبقه بندی سیگنالهای EEG با استفاده ازشبکه عصبی والگوریتم LOA 33631 صفحه در word دارای ۳۳۶۳۱ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد فایل ورد کامل ارایه روشی خودکار برای طبقه بندی سیگنالهای EEG با استفاده ازشبکه عصبی والگوریتم LOA 33631 صفحه در word  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل ارایه روشی خودکار برای طبقه بندی سیگنالهای EEG با استفاده ازشبکه عصبی والگوریتم LOA 33631 صفحه در word،به هیچ وجه بهم ریختگی وجود ندارد

---

بخشی از متن فایل ورد کامل ارایه روشی خودکار برای طبقه بندی سیگنالهای EEG با استفاده ازشبکه عصبی والگوریتم LOA 33631 صفحه در word :

ارایه روشی خودکار برای طبقه بندی سیگنالهای EEG با استفاده ازشبکه عصبی والگوریتم LOA

تعداد صفحات : ۱۰۹ با فرمت ورد و قابل ویرایش

چکیده

الکتروانسفالوگرام(EEG) که برای نمایش فعالیت الکتریکی مغز استفاده می شود، ابزار کلینیکی مناسبی برای تشخیص بی نظمی های مربوط به صرع است. آشکارسازی spike های صرعی نقش بسیار مهمی در تشخیص صرع ایفا می کند .در این پروژه، طراحی و پیاده سازی سیستم تشخیص spikeهای صرعی با استفاده از روش ترکیبی تبدیل موجک گسسته و شبکه عصبی svm ارائه شده است. در این پژوهش از تبدیل موجک برای استخراج ویژگی سیگنال EEG استفاده شده است و توانایی این ویژگیها در طبقه بندی رخدادهای موجود در سیگنال EEG بررسی شده است. کار طبقه بندی با استفاده از شبکه عصبی svm انجام شده است. دلیل استفاده از شبکه svm، آموزش نسبتا ساده و برخلاف شبکه های عصبی در ماکزیمم محلی گیر نمی افتد، برای داده های با ابعاد بالا خوب جواب میدهد، مصالحه بین پیچیدگی دسته بندی کننده ومیزان خطا به طور واضح کنترل می شود و عملکرد مناسب این شبکه در مسائل طبقه بندی می باشد.الگوریتم فرا ابتکاری شیران ،در مرحله انتخاب ویژگی سیگنال های مغزی و کاهش انتخاب ویژگی بهینه مورد توجه قرار گرفته است و از ماشین بردار برای طبقه بندی نهایی استفاده می شود.

کلید واژه ها: الکتروانسفالوگرامEEG ,ماشین بردارپشتیبان

۱-۱ مقدمه ۲

۲-۱ انگیزه هدف و بیان مساله تحقیق ۳

۱-۳ضرورت انجام تحقیق۴

۱-۴فرضیه های تحقیق۵

۱-۵اهداف تحقیق ۵

۱-۶ تعاریف اولیه۶

۱-۶-۱ اندازه گیری سیگنال EEG 6

۱-۶-۲امواج مختلف در سیگنال EEG 12

۱-۶-۳نرخ نمونه برداری سیگنال EEG 17

۱-۶-۴آشفتگیها و اغتشاشات الکتریکی سیگنال EEG 17

۵-۶-۱نرم افزار متلب ۲۰

۱-۷ساختار پایان نامه ۱۲

۱-۸جمع بندی ۲۱

فصل دوم ادبیات پیشینه مروری بر تحقیق

۲-۱مقدمه ۲۳

۲-۲ تحلیل در حوزه زمان ۲۴

۲-۳ تحلیل در حوزه فرکانس ۲۷

۲-۴ آشکارسازی spike های موجود در EEGبا استفاده از تبدیل موجک ۲۸

۲-۵مقایسه تبدیل موجک با تبدیل فوریه و STFT 29

۲-۶ تبدیل موجک پیوسته و گسسته ۳۳

۲-۶-۱تبدیل موجک پیوسته ۳۴

۲-۶-۲تبدیل موجک گسسته ۳۵

۲-۷ تبدیل موجک گسسته توسط فیلتر کردن مرحله ای۳۷

۲-۸معرفی چند موجک۴۰

۲-۹مروری بر تحقیقات انجام گرفته ۴۴

فصل سوم شرح روش پیشنهادی والگوریتم شبیه سازی

۳-۱مقدمه۴۷

۳-۲ مساله انتخاب ویژگی ۴۸

۳-۲-۱ بررسی توابع مختلف تولید کنند وارزیابی ۰۵

۳-۲-۱-۱ توابع تولید کننده۱۵

۳-۲-۱-۲توابع ارزیابی ۲۵

۳-۳ارایه یک الگوریتم فراابتکاری نوین ۴۵

۳-۳-۱نگاهی اجمالی به زندگی شیرها ۴۵

۳-۳-۲الگوریتم بهینه سازی شیرهاLOA))85

۳-۱-۲-۳ مقدار دهی اولیه۹۵

۳-۲-۲-۳ شکار ۰۶

۳-۳-۲-۳حرکت به سوی یکی از محل های امن قلمرو ۶۰

۳-۳-۲-۴پرسه زدن ۶۱

۳-۳-۲-۵جفت گیری ۶۴

۳-۳-۲-۶ دفاع ۶۴

۳-۳-۲-۷مهاجرت ۶۵

۳-۳-۲-۸تعادل درجمعیت۶۶

۳-۳-۲-۹شرط توقف۶۷

۳-۳-۳نتایج محاسباتی ۶۷

۳-۳-۳-۱توابع محک ۶۸

۳-۳-۳-۲مقایسهLOA با PSO، DE،RGA 68

۳-۴ رهیافت ارائه شده ۷۶

۴-۳-۱مراحل طبقه بندی سیگنالهای EEG 76

۳-۴-۲انتخاب ویژگی های بهینه ی سیگنالهای EEG با استفاده از الگوریتم بهینه سازی شیران ۷۷

۵-۳شبکه عصبی۷۹

۳-۱-۵ مدل سازی نرون تنها ۷۹

۲-۵-۳تابع فعالیت۸۰

۳-۳-۵ معماری شبکه عصبی ۸۱

۳-۵-۱-۳ شبکه های پیش خور ۸۱

۵-۳-۳-۲ شبکه های برگشتی ۸۲

۳-۶ الگوریتم های یادگیری۸۳

۳ -۷ شبکه عصبی MLP 84

۳- ۷- ۱ الگوریتم پس انتشار خطا ۸۴

۳- ۷- ۲ سیگنال خطا ۸۵

۳-۷-۳کل انرژی خطا ۸۵

۳- ۷-۴ انتخاب نرخ یادگیری ۸۶

۳- ۷- ۵ مرحله آموزش ۸۶

۳- ۷- ۶ قابلیت تعمیم دهی ۸۷

۳- ۷- ۷ توقف آموزش ۸۷

۶-۳طبقه بندی کننده SVM 88

۳-۶-۱ ماشین‌های بردارپشتیبان درحالت چند کلاسه ۹۰

۳-۶-۱-۱ روش یکی درمقابل همه ۹۰

۳-۶-۲-۱ روش یکی درمقابل یکی ۹۱

فصل چهارم پیاده سازی و تجزیه تحلیل داده ها

۴-۱ مقدمه۹۳

۴-۲ مجموعه داده ها ۹۴

۳-۴پیاده سازی راهکار پیشنهادی ۹۵

۳-۴استخراج ویژگی ۹۵

۳-۴کاهش ابعاد ویژگی ها ۹۶

۳-۴دسته بندی SVM 97

۳-۴بررسی میزان کارآیی راهکار پیشنهادی۹۸

فصل پنجم نتیجه گیری و پیشنهادات

نتیچه گیری

پیشنهادات

منابع و ماخذ

فایل ورد کامل ارایه روشی خودکار برای طبقه بندی سیگنالهای EEG با استفاده ازشبکه عصبی والگوریتم LOA 33631 صفحه در word
فهرست منابع فارسی

قهرست منابع لاتین

چکیده انگلیسی