《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》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。