افزایش دقت طبقه بندی سیگنال های EEG با استفاده از ترکیب منطقی طبقه بندها با استفاده از الگوریتم ژنتیک و درختان تصمیم کوچک

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

 افزایش دقت طبقه بندی سیگنال های EEG با استفاده از ترکیب منطقی طبقه بندها با استفاده از الگوریتم ژنتیک و درختان تصمیم کوچک دارای ۱۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد افزایش دقت طبقه بندی سیگنال های EEG با استفاده از ترکیب منطقی طبقه بندها با استفاده از الگوریتم ژنتیک و درختان تصمیم کوچک  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 افزایش دقت طبقه بندی سیگنال های EEG با استفاده از ترکیب منطقی طبقه بندها با استفاده از الگوریتم ژنتیک و درختان تصمیم کوچک،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن افزایش دقت طبقه بندی سیگنال های EEG با استفاده از ترکیب منطقی طبقه بندها با استفاده از الگوریتم ژنتیک و درختان تصمیم کوچک :

تعداد صفحات :۱۴

چکیده مقاله:

در این مقاله به ارائه روشی دو مرحله ای برای بهبود دقت طبقه بندی سیگنال EEG می پردازیم. هدف اصلی این مقاله، بهبود طبقه بندی تصورات حرکتی نشأت گرفته از سیگنال مغز است. در این راستا یک طبقه-بند ترکیبی مبتنی بر قوانین جبر بول و الگوریتم ژنتیک ارائه شده است که برای استخراج ویژگی از سیگنال EEG، از ویژگی های حوزه زمان-فرکانس استفاده می کند که شامل شاخص های آماری و غیرآماری بدست آمده از تبدیل بسته موجک است. در این مقاله برای بهبود نتایج طبقه بندی، در مرحله اول یک مجموعه از درخت های تصمیم با خطاهای متفاوت ایجاد می شوند سپس با استفاده از الگوریتم ژنتیک این درخت ها هرس شده و ارتفاع آنها کاهش می یابد و ویژگی های استخراج شده به طبقه بند درخت تصمیم به عنوان طبقه بند پایه داده می شود. در مرحله دوم با استفاده از الگوریتم ژنتیک قاعده ترکیب بهینه برای ترکیب نتایج طبقه بندها بدست می آید. قاعده ترکیب براساس قوانین جبر بول ارائه شده است. برای داده های مورد نیاز از نسخه دوم مجموعه داده های BCI competition و مجموعه داده ی سوم استفاده شده است. نتایج پیاده سازی روش پیشنهادی دقت ۹۶.۴۳% را به همراه داشته است که به نسبت روش های موجود در طبقه بندی سیگنال EEG، ۶.۴۳ % عملکرد بهتری را داشته است.