53支持向量机(SVM)及其在心电图(ECG)分类识别中的应用

发布时间：2016-12-23 02:23

本文关键词：支持向量机（SVM）及其在心电图（ECG）分类识别中的应用，由笔耕文化传播整理发布。

攻读硕士学位期间的科研成果；［１］．ＴａｎｇＸｉａｏ，ＭｏＺｈｉｗｅｎ．ＡＭ；ｏｆＣｏｍｐｕｔｉｎｇＢａｓｅｄＯＨｇｑｕｉｖａ；ａｎｄｍａｔｈｅｍａｔｉｃｓ，（２００７）４，２；［２］．唐孝，唐丽，莫智文．基于支持向量机算法的；程学杂志（已录用）；［３］．Ｍｏｚｈｉｗｅｎ，ＴａｎｇＬｉ，Ｔａｎｇ；ＦｉｔｔｉｎｇＬＡＤＴ，Ｉｎｔｅｒｎａｔｉｏｎａ；［４］．王燕

攻读硕士学位期间的科研成果

［１］．ＴａｎｇＸｉａｏ，ＭｏＺｈｉｗｅｎ．ＡＭｏｄｅｌｏｆＧｒａｎｕｌａｒ

ｏｆＣｏｍｐｕｔｉｎｇＢａｓｅｄＯＨｇｑｕｉｖａｌｅｎｔＯｐｅｒａｔｏｒｏｆＰａｎｓｙｓｔｅｍｓＲｏｕｇｈＳｅｔｓ．Ｆｕｚｚｙｓｙｓｔｅｍｓ

ａｎｄｍａｔｈｅｍａｔｉｃｓ，（２００７）４，２．

［２］．唐孝，唐丽，莫智文．基于支持向量机算法的ＥＣＧ分类策略．生物医学工

程学杂志（已录用）

［３］．Ｍｏｚｈｉｗｅｎ，ＴａｎｇＬｉ，Ｔａｎｇｘｉａｏ，ＬａｎＳｈｕ，ＴｈｅＡｌｇｏｒｉｔｈｍｏｆｔｈｅＱｕｉｃｋ

ＦｉｔｔｉｎｇＬＡＤＴ，ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒａｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＮｅｔｗｏｒｋＳｅｃｕｒｉｔｙ，（２００６）６，６，５２—５６．

［４］．王燕，唐孝，唐丽．基于绝对分析的多值信息系统粗集模型及其约简。四川

师范大学学报．（已录用）

［５］．唐丽，唐孝，莫智文．Ｖａｇｕｅ集相似度量及其在心电图自动识别中的应用．

生物医学工程学杂志（已录用）

［６］。唐孝，莫智文．汽车防抱变论域自适应模糊控制器设计．控制理论．（修改

中）

［７：．唐孝，莫智文．基于支持向量机１－ｖｓ－ｒｅｓｔ算法的心电图分类方法．中国

生物医学工程学报（修改中）

［８：．莫智文，唐孝．ＥＣＧ自动分类诊断的研究．（已完稿）［９：．莫智文，唐孝．ＥＣＧ自动诊断系统的开发．（已完稿）

支持向量机（SVM）及其在心电图（ECG）分类识别中的应用

作者：

学位授予单位：唐孝四川师范大学

相似文献(10条)

1.期刊论文刘志刚.李德仁.秦前清.史文中支持向量机在多类分类问题中的推广 -计算机工程与应用2004,40(7) 支持向量机(SVMs)最初是用以解决两类分类问题,不能直接用于多类分类,如何有效地将其推广到多类分类问题是一个正在研究的问题.该文总结了现有主要的支持向量机多类分类算法,系统地比较了各算法的训练速度、分类速度和推广能力,并分析它们的不足和有待解决的问题.

2.学位论文张晓平基于支持向量机的多类分类算法研究及在滚动轴承故障识别中的应用 2007

上世纪九十年代，在统计学习理论的基础上发展出了一种新的机器学习算法——支持向量机。由于其具有良好的理论基础和推广能力，并解决了机器学习领域存在的一些问题，因而受到了人们普遍的重视。然而，支持向量机本身是针对两类分类问题的算法，而实际生活中广泛存在着的是多类别的分类问题，因此，研究如何利用支持向量机实现多类分类，具有十分重要的意义，也成为当前研究的一个热点问题。国内外学者在此领域作了大量的研究工作，提出了多种基于支持向量机的多类分类算法，达到了利用支持向量机实现多类分类的目的，这些算法有着各自的优点，但还存在一定的缺陷，还有很多问题需要得到进一步的解决。总体上看，基于支持向量机的多类分类算法的研究还处于一个不断探索的阶段，有着广阔的发展空间。

本文全部研究工作的着眼点主要集中于以下几个问题：现有的几种支持向量机多类分类器在算法结构和分类机理上彼此有什么共同点，能否将它们归结为几种类型；如何确定多类分类器的算法结构以提高分类器的推广能力；核函数的变化对多类样本经过映射后所有两类间的可分性对比关系究竟有什么影响；能否直接在高维特征空间中对多类样本所有两类的可分性对比关系进行估计；能否提出新的支持向量机多类分类算法，并且使其具有较好的推广能力。针对以上问题，本文主要做了以下几个方面的研究工作，第一，从算法结构和分类机理的角度对“一对一”、“一对多”、基于二叉树结构的支持向量机多类分类算法及DAGSVM进行了分析，并将其分别归结到两种利用支持向量机实现多类分类的算法设计思路之中，为从算法结构和分类机理的角度研究支持向量机多类分类算法提供了一种参考；第二，进行了滚动轴承的故障实验，分别采集了滚动轴承在五种工作状态下的振动信号，并通过小波包变换进行特征提取，得到了对应于滚动轴承五种工作状态的五类样本；第三，对类间可分性的几个相关问题进行了研究，并通过将核函数引入到类间可分性度量算法当中，实现了对高维特征空间中所有两类样本可分性的度量与对比；第四，对不同的核函数及同一种核函数的不同参数对多类样本在高维特征空间中所有两类间的可分性及其对比关系的影响进行了研究和总结；第五，提出了基于类间可分性度量的二叉树结构生成算法，并利用得到的二叉树结构构造支持向量机多类分类器，通过实验证明，利用本文提出的算法所确定的二叉树结构使得到的多类分类器的分类性能有所提高；第六，分别提出了基于两类可分性最大原则的支持向量机多类分类算法和基于类间可分性度量的“一对二”支持向量机多类分类算法，并将它们分别应用于对滚动轴承五种工作状态的识别，取得了较好的效果。

本文通过以上工作，主要对确定支持向量机多类分类算法的结构、发展新的支持向量机多类分类算法、多类样本所有两类间的可分性对比关系及其与核函数的联系等几个方面进行了研究，并将所提出的一些方法应用于对滚动轴承五种状态的识别，取得了较好的效果。总的来讲，基于支持向量机的多类分类算法的研究主要立足于如何用较好的方法构造出性能更为优良的多类分类器，其中许多问题的解决还有待于广大研究者的进一步探索。

3.期刊论文王晓锋.秦玉平.WANG Xiao-feng.QIN Yu-ping 基于支持向量机的网页多类分类技术 -大连轻工业学院学报2007,26(4)

基于支持向量机的网页分类技术是数据挖掘中一个研究热点领域.支持向量机是一种高效的分类识别方法,在解决高维模式识别问题中表现出许多特有的优势,但支持向量机本身是一个两类问题的判别方法,不能直接应用于多类问题.总结了当前常用的几种支持向量机多类分类算法,分别从训练速度、测试速度、分类精度三方面对这些分类方法进行了讨论,并给出了进一步的研究方向.

4.学位论文张晶晶多类分类支持向量机在信用评级领域的应用及核参数选择研究 2009

支持向量机(Support Vector Machine)是数据挖掘的新方法，也是一种小样本统计工具，它在解决小样本、非线性及高维的模式识别问题上具有其他机器学习方法难以企及的优势。在支持向量机二类分类方法的基础上，本文深入研究了多类分类的算法及其应用。

巴塞尔新资本协议希望并鼓励银行业发展内部信用评级系统，如何寻找到一种客观、可行的评级方法，如何构建内部评级系统，对国内银行从业者提出了新的要求和挑战。信用评级从科学的角度对信用度进行定性和定量分析，其本质是一个非线性的分类问题，用支持向量机可以很好地解决。本文在前人研究的基础上，围绕着支持向量机多类分类算法的改进及其在信用评级领域应用而展开。

首先，根据巴塞尔新资本协议提出的信用评级体系，建立对应的评级模型。该模型的建立将信用评级过程标准化，层次化。本文主要针对模型层进行分析，通过改进模型层的核心算法，实现不同的评级方法。

其次，将层次支持向量机、纠错编码支持向量机等几种适合用于多类分类的算法加以改变和优化，使之有更好的分类效果。然后结合银行提供的评级样本，使用工具箱实现了机器学习和数据评估过程。最后从性能、分类效果和易实现等角度分析了这几种多类分类算法的相对优劣。

本文还分析了核函数的选取对支持向量机分类结果的影响，通过调节参数，对不同参数条件下的分类效果进行实验。分析了几种最常见核函数的性能和特点，阐述了核函数的构造和相关定理，选择实验所用的核函数--Gauss径向基核函数；同时研究了Gauss径向基核函数两个参数意义，根据数据源样本对两个参数σ和C进行调整，找寻参数值与支持向量机学习、推广性能之间的关系，最后总结了参数调节的方法。

5.会议论文孙开师.贺国平基于聚类的支持向量机多类分类问题 2006

支持向量机源于二类分类问题,而支持向量机多类分类问题虽然取得了一定的进展,但是目前仍是一个不断发展的热点问题.本文介绍了当前支持向量机多类分类问题的一般解法和思路,提出了一种基于聚类的支持向量机多类分类问题的解法,并与通常的解法相比较,得到了良好的结果。

6.学位论文杨杰基于模糊支持向量机的多类分类方法研究 2005

多类分类是机器学习的一个重要分支，而经典的支持向量机算法是针对两类的分类问题提出的，于是人们将其推广来解决多类分类问题.在一些实际问题中类与类的边界是不清晰的，为此人们又提出了模糊支持向量机的概念，来进一步完善支持向量机多类分类方法及满足一些其他实际问题的需要.基于不同的出发点，目前主要有两种建立在模糊支持向量机基础上的分类方法，但都不是很成熟，本文的工作在于对这两种方法进行深入分析，提出改进算法，并加以实例验证：

　　一种思想是由日本学者Takuga与Shigeo提出的.此方法主要是针对一对多组合与一对一组合支持向量机存在决策盲区而提出的，但这种方法并不能保证各个多类分类器结果的一致性，本文给出一个修正的模糊支持向量机的分类模型，从而提高此方法的性能.

　　另一种思想由台湾学者Chun-FuLiu，Sheng-DeWang，Han-PangHuang等人提出，其出发点是为了突出数据中各个样本点的重要程度的差异，同时也为了减小噪音数据对分类结果的影响.本文将这种方法和一对多组合结合起来，从而使新的多类分类算法具有很好的泛化能力.

　　经实例验证，本文提出的改进算法比原方法有更好的分类结果.

7.期刊论文唐发明.王仲东.陈绵云.TANG Fa-ming.WANG Zhong-dong.CHEN Mian-yun 支持向量机多类分类算法研究 -控制与决策2005,20(7)

提出一种新的基于二叉树结构的支持向量(SVM)多类分类算法.该算法解决了现有主要算法所存在的不可分区域问题.为了获得较高的推广能力,必须让样本分布广的类处于二叉树的上层节点,才能获得更大的划分空间.所以,该算法采用最小超立方体和最小超球体类包含作为二叉树的生成算法.实验结果表明,该算法具有一定的优越性.

8.学位论文赵晖支持向量机分类方法及其在文本分类中的应用研究 2005

支持向量机作为一种基于统计学习理论的新型机器学习方法，较好地解决了非线性、高维数、局部极小点等实际问题，是机器学习领域新的研究热点。文本分类是基于内容的自动信息管理的核心技术。文本向量稀疏性大、维数高、特征之间具有较大的相关性，支持向量机对于特征相关性和稀疏性不敏感，处理高维数问题具有较大的优势，因此，支持向量机非常适用于文本分类问题，在文本分类中具有很大的应用潜力。但是，同时，文本分类也给支持向量机提出了许多富有挑战性的课题。例如，文本分类具有类别和样本数目多、噪音多等特点，支持向量机用于文本分类时存在训练和分类速度较慢等缺点。该文主要针对支持向量机在文本分类等实际应用中存在的问题进行深入研究。

主要工作如下：

1、支持向量机是针对两类分类问题提出的，如何将其有效地推广到多类分类仍是一个尚未完全解决的问题。分析了现有支持向量机多类分类方法的特点，并给出了一种半模糊核聚类算法，在此基础上，根据树型支持向量机的特性，提出了一种基于半模糊核聚类的树型支持向量机多类分类方法。该方法基于半模糊核聚类算法挖掘不同类别之间的衔接和离散信息，设计树型支持向量机的树型结构，克服其差错积累问题。实验表明，与其它支持向量机多类分类方法相比，该方法具有较高的分类精度和训练速度，提高了支持向量机在多类分类问题中的应用效果。

2、针对标准支持向量机对噪音敏感，分类时倾向于样本数目较多的类别的问题，给出一种模糊支持向量机的推广模型，并在此基础上，结合近似支持向量机的优势，提出了一种支持向量机组合分类方法。该方法首先采用近似支持向量机快速地去除非支持向量、减少训练样本数目、确定样本权值和模型参数，然后在样本数目较少的训练集上，依据选择好的模型参数和样本权值训练模糊支持向量机的推广模型。实验表明，该方法能有效确定样本权值，减少训练时间，并克服野值点和类别训练样本数目不均衡对分类器的不利影响。

3、通常情况下，，支持向量的数目越多，支持向量机的分类速度越慢，如何缩减支持向量集合、提高支持向量机的分类速度是支持向量机的重要研究内容之一。在分析了现有支持向量集合缩减方法的基础上，提出了一种基于虚样本与支持向量回归的支持向量集合缩减方法。该方法是根据支持向量集合和支持向量回归方法的特性，对Osuna等提出的支持向量集合缩减方法的改进。该方法通过引入虚样本剔除支持向量集合中的冗余样本，生成虚边界支持向量，解决了当冗余支持向量数目较多、边界支持向量数目很少时，Osuna等提出的方法不能有效缩减支持向量集合的问题。实验表明，该方法在基本不降低支持向量机分类精度的前提下，比Osuna等提出的方法更大程度地减少了支持向量的数目，提高了支持向量机的分类速度。

4、基于支持向量机在文本分类中的优势，将支持向量机方法应用于文本分类的特征提取，提出了一种基于支持向量机的单词聚类方法。该方法基于支持向量机度量单词对分类的贡献大小，将对分类贡献一致的单词合并起来作为文本向量的一个特征项。实验表明，该方法在基本不丢失分类信息的前提下，较大程度地降低了文本向量的维数、减少了文本特征之间的相关性，并提高了文本分类的查准率和查全率。

9.期刊论文黄剑锋.刘付显.朱法顺.HUANG JIANFENG.LIU FUIXIJAIN.ZHU FASHUN 基于多类分类支持向量机的空袭目标识别 -微计算机信息2008,24(10)

针对已有空袭目标识别方法存在的不足,依据空袭目标的分类原则,提出了基于多类分类支持向量机的空袭目标识别方法.该方法采用支持向量机的多类分类技术,降低了经验风险,有效地提高了识别率.最后给出了一个算例,结果和专家给出的建议一致,表明支持向量机方法比较精确和简单.

10.学位论文王晓峰 SVM多类分类及其在遥感图像中的应用 2005

支持向量机(SVM)是在Vapnic的统计学习理论基础上发展起来的一种新的模式识别方法。它以结构风险最小化(SRM)为原则，通过实现确定的非线性映射将输入向量映射到一个高维特征空间中，然后在此高维空间中构建最优分类超平面。SVM在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广到函数拟合等其他机器学习问题中。目前，将SVM应用于模式识别领域，是当前SVM的一个研究热点。

最初SVM是用以解决两类分类问题，不能直接用于多类分类。因此如何有效地将其推广到多类分类问题还是一个正在研究的问题。当前已经有许多算法将SVMs推广到多类分类问题，这些算法统称为“多类支持向量机“(Multi-category Support Vector Machimes，M-SVMs)。本文提出了一种基于编码二叉树的多类支持向量机——CB-SVMs，算法舍弃了各子分类器间大量冗余信息及其较小的纠错补偿，合理利用了其它子分类器的分类信息，大大减少了子分类器的数目。复杂度分析和在标准测试数据集上的计算结果表明：CB-SVMs相对其它M-SVMs，有效提高了训练速度和测试速度，同时具有构造简单、稳定性好的优点。

本文最后介绍了遥感图像分类的基本理论和算法，通过将CB-SVMs应用到遥感图像分类中去，表明了CB-SVMs算法具有较高的分类精度和泛化性能。同时说明了SVM算法在遥感图像分类方面良好的应用前景。

本文链接：

授权使用：电子科技大学(cddzkjdx)，授权号：c0c68a99-28fd-4bb4-a62c-9ea300eda538

下载时间：2011年3月11日

下载地址：53支持向量机(SVM)及其在心电图(ECG)分类识别中的应用.Doc

　　【】