Нейросетевая модель для понижения размерности массива данных, полученных при регистрации многоканальной электрокардиограммы, которая основана на алгоритме обучения без учителя. Ее применение для выявления в множестве входных данных существенных признаков.
При низкой оригинальности работы "Обработка и классификация нестационарных сигналов при помощи самоорганизующихся нейросетей", Вы можете повысить уникальность этой работы до 80-100%
Таким образом, собственные векторы матрицы корреляции R определяют единичные векторы , представляющие основные направления, вдоль которых дисперсионный зонд принимает экстремальные значения, а собственные значения определяют экстремальные значения дисперсионного зонда . Таким образом, для того чтобы обеспечить сокращение размерности входных данных, нужно вычислить собственные значения и векторы матрицы корреляции векторов входных данных, а затем ортогонально спроецировать эти данные на подпространство, задаваемое собственными векторами, соответствующими доминирующим собственным значениям этой матрицы [2]. Линейная модель с одним нейроном может быть расширена до сети прямого распространения с одним слоем линейных нейронов с целью анализа главных компонент для входного сигнала произвольной размерности. Поскольку первый нейрон уже извлек первую главную компоненту, второй нейрон видит входной вектор , из которого удален первый собственный вектор матрицы корреляции R. Таким образом, второй нейрон извлекает первую главную компоненту , что эквивалентно второй главной компоненте исходного входного вектора .Синдром предвозбуждения представляет собой достаточно простую электрофизиологическую модель, что объясняет столь хорошие результаты уже при малых выборках. Однако использование данной модели для других классов сердечно-сосудистых заболеваний также показывает высокую чувствительность предлагаемых методов уже при небольших обучающих выборках.
Вы можете ЗАГРУЗИТЬ и ПОВЫСИТЬ уникальность своей работы
