改进BP神经网络在心音身份识别中的应用研究

论文摘要

生物特征识别是利用人体的生物特征进行身份识别的技术。人体的生物特征可划分为生理特征（如指纹、面像、虹膜、掌纹等）和行为特征（如步态、声音、笔迹等）。随着信息技术的发展,准确方便的识别个人身份成为人们关注的一个热点,已列入国家“十一五”科技攻关计划。基于模式识别的原理,本文一方面在论述遗传算法和神经网络具体内容的基础上分析了遗传算法和神经网络中BP算法的不足之处,探讨了将遗传算法和BP神经网络结合的必要性与可行性,提出了一种基于遗传算法优化BP神经网络权值和阈值的心音身份识别方法,构造出了相应的心音识别模型,并完成了基于Matlab7.0实验软件平台的程序设计与开发。通过仿真计算,进一步分析了不同特征参数、背景噪声、隐含层神经元个数等因素对识别系统性能的影响。另一方面,鉴于FSR+MFCC特征参数用于神经网络识别方法的不足之处,又探讨了一种基于改进型参数的欧式距离心音身份识别方法的可行性。研究结果表明,本文采用的基于遗传算法优化神经网络权值和阈值的识别方法既能摆脱局部极小值的困扰和初始权值的限制,又有较高的识别率;提出的基于改进型参数的欧式距离识别方法,也取得了较高的识别率。可见,本文所研究的两种识别方法应用于心音身份识别中是合适的,同时也进一步说明了,心音作为鉴定人身份的一种工具是可行的,有极大的应用前景。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 生物特征识别技术的发展
• 1.3 心音身份识别的研究现状
• 1.4 本文的主要内容及创新点
• 第二章 心音信号相关基础知识
• 2.1 心音的产生机理及心胸传播特性模型
• 2.1.1 心音的产生机理
• 2.1.2 心胸传播模型
• 2.2 心音的主要成分及时频域特性
• 2.3 心音采集系统
• 2.4 本章小结
• 第三章 心音信号的去噪处理
• 3.1 小波变换基本理论
• 3.1.1 连续小波变换
• 3.2 小波去噪
• 3.2.1 小波去噪的基本原理
• 3.2.2 小波阈值去噪法的基本原理
• 3.3 小波阈值去噪法在心音信号中的应用
• 3.4 本章小结
• 第四章 心音信号的特征参数提取
• 4.1 LPC 参数特征
• 4.2 LPCC 参数特征
• 4.3 MFCC 参数特征
• 4.4 动态差分特征
• 4.5 S1 和S2 能量比（FSR）参数特征
• 4.6 FSR+MFCC 心音特征参数
• 4.7 本章小结
• 第五章 心音信号的识别方法
• 5.1 人工神经网络
• 5.1.1 人工神经元模型
• 5.1.2 神经网络的分类
• 5.2 BP 神经网络模型
• 5.2.1 BP多层前馈网络模型的数学描述
• 5.2.2 BP算法
• 5.2.3 BP网络的优点与不足
• 5.2.4 加动量项和自适应学习率BP改进算法
• 5.3 遗传算法
• 5.3.1 遗传算法简介
• 5.3.2 遗传算法的构成要素
• 5.4 遗传神经网络模型
• 5.4.1 遗传神经网络结合的优势分析
• 5.4.2 遗传算法优化神经网络的模型
• 5.4.3 遗传算法优化神经网络的混合算法的思想
• 5.5 本章小结
• 第六章 心音身份识别系统实现与仿真分析
• 6.1 心音样本库的建立
• 6.1.1 心音的采集
• 6.1.2 心音库的构成
• 6.2 心音的预处理
• 6.2.1 心音信号的去噪处理
• 6.2.2 心音信号特征参数的提取
• 6.2.3 特征参数的归一化处理
• 6.2.4 特征矢量序列的聚类合并
• 6.3 基于BP 神经网络识别方法仿真分析
• 6.3.1 神经网络模型的建立
• 6.3.2 BP网络的训练结果分析
• 6.3.3 改进型BP网络的训练结果分析
• 6.3.4 GA-BP网络的训练结果分析
• 6.4 神经网络识别方法的性能分析
• 6.4.1 噪声环境对网络性能的影响
• 6.4.2 隐含层神经元个数对网络性能的影响
• 6.4.3 不同段长度的心音的对网络性能的影响
• 6.4.4 网络的初始权值对网络性能的影响
• 6.5 基于欧式距离心音识别方法的仿真
• 6.5.1 匹配和识别方法
• 6.5.2 实验仿真分析
• 6.6 本章小结
• 第七章 总结与展望
• 7.1 总结
• 7.2 展望
• 致谢
• 参考文献
• 作者在硕士研究生期间发表论文情况