Введение
Глава 1. Анализ методов и алгоритмов распознавания и классификации образов
1.1. Анализ задачи распознавания и классификации образов
1.2. Аналитический обзор методов распознавания и классификации образов
1.3 Построение математической модели системы классификации образов
1.4 Основные задачи решаемые в процессе построения систем классификации
1.5 Задача выявления существенных признаков объекта классификации
1.5.1 Преобразование Фурье
1.5.2 Косинусное преобразование
1.5.3 Вейвлет-преобразование
1.6. Анализ и сравнение алгоритмов выявления классообразующих признаков
1.7. Аналитический обзор нейросетевых алгоритмов классификации образов
1.8. Оценка эффективности работы системы классификации образов
1.9. Постановка задачи исследования
Выводы по первой главе
Глава 2. Применение дискретного вейвлет - преобразования и нейросетей при решении задачи обработки сигналов
2.1. Эффективность применения дискретного вейвлет-преобразования для задачи распознавания и классификации сигналов
2.2. Частотно-временная локализация вейвлет-преобразования
2.3. Принцип применения кратномасштабного анализа
2.4. Ортогональные вейвлеты с компактным носителем
2.5. Применение алгоритма быстрого вейвлет-преобразования
2.6. Нейросетевая структура и ее математическая модель для реализации быстрого вейвлет-преобразования
2.6.1. Алгоритм построения структуры нейросети для реализации вейвлет-преобразования
2.6.2. Построение дискретного вейвлет-базиса для быстрой нейронной сети Выводы по второй главе
Глава 3. Построение и применение вейвлет-фильтров
3.1 Построения метода вейвлет-фильтрации сигнала
3.2 Метод интерполяции вейвлет-коэффициентов после процедуры децимации в процессе восстановления сигнала с помощью интерполяционных многочленов
3.2.1 Метод быстрой интерполяции значений сигнала между отсчетами
3.3 Подбор оптимального набора фильтров
3.4 Алгоритм очистки и восстановления зашумленного сигнала с помощью вейвлет-фильтра Выводы по третьей главе
Глава 4. Построение эффективных неиросетевых алгоритмов для предварительной обработки и классификации сигналов
4.1. Реализация математической модели нейросетевого метода быстрого вейвлет-преобразования
4.2. Разработка эффективного нейросетевого алгоритма для классификации образов с использованием принципов самоорганизации
4.2.1 Оптимальный подбор метрики и нормализация входных векторов
4.2.2 Построение структуры нейронной сети для классификации образов
4.3. Моделирование и исследование производительности алгоритма классификации с использованием дискретного вейвлет-преобразования и гибридной нейронной сети Выводы по четвертой главе
Заключение
Литература
