基于加权主成分分析和高斯混合模型的神经元峰电位分类

发布时间：2024-02-26 17:46

　　通过加权主成分分析来对峰电位进行提取特征和降维,再利用高斯混合模型聚类算法对特征进行聚类,实现峰电位分类。采用开放的仿真数据和开放的实测数据分析验证算法的可行性和分类精度,并与主成分分析提取特征的高斯混合模型(GMM)聚类和加权主成分分析提取特征的K均值聚类2种方法进行了比较。仿真数据实验中,在噪声水平为0. 05,0. 10,0. 15,0. 20时,误分率分别为1. 26%,1. 43%,2. 32%和3. 37%,低于其他2种方法;实测数据实验中,恒河猴数据的平均J₃准则值为14. 12,与其他2种方法相比,平均J₃准则值较大。

【文章页数】：5 页

【文章目录】：
0 引言
1 数据与方法
    1.1 峰电位分类
        1.1.1 PCA算法和WPCA算法
        1.1.2 GMM
    1.2 评价指标
    1.3 实验数据
2 结果
3 结论



本文编号：3911627