《表1 3种特征提取和聚类方法的误分率(仿真数据)》
提示:宽带有限、当前游客访问压缩模式
本系列图表出处文件名:随高清版一同展现
《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》
由表1可知,3种方法的误分率随着噪声水平的增加,显示出逐渐升高的趋势。本文方法与其他2种方法比较得出,在任何噪声水平情况下的误分率均为最低的,分别为1.26%,1.43%,2.32%和3.37%。与图1的分类结果所体现出的结论一致。综合图1和表1所示结果,从特征提取的方面看,与传统PCA特征提取方法相比,WPCA特征提取方法可以有效地提取出具有较大差异的特征,并具有相当的抗噪能力;从聚类的方面看,高斯混合模型算法聚类效果优于经典的K-means算法,能有效拟合峰电位波形特征的非高斯分布。
图表编号 | XD00115509900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.20 |
作者 | 剡笑田、王明浩、郭哲俊、陈翔、刘景全 |
绘制单位 | 上海交通大学电子信息与电气工程学院微纳电子学系微米、纳米加工技术国家级重点实验室、上海交通大学电子信息与电气工程学院微纳电子学系微米、纳米加工技术国家级重点实验室、上海交通大学电子信息与电气工程学院微纳电子学系微米、纳米加工技术国家级重点实验室、上海交通大学电子信息与电气工程学院微纳电子学系微米、纳米加工技术国家级重点实验室、上海交通大学电子信息与电气工程学院微纳电子学系微米、纳米加工技术国家级重点实验室 |
更多格式 | 高清、无水印(增值服务) |