فارکس تحلیل تکنیکال

میانگین حرکتی

متداولترین شیوه استفاده از این اندیکاتور برای تشخیص نقاط خرید و فروش، استفاده از نقطه تقاطع دو خط DI+ و DI– می باشد.

میانگین حرکتی

جمشید پیرگزی [ پدیدآور اصلی ] ، علی اکبر پویان[ استاد راهنما ] ، کاویان قندهاری [ استاد مشاور ] ، هادی گرایلو[ استاد مشاور ]

چکیده: در این پایان نامه قصد میانگین حرکتی داریم با ارائه یک ویژگی مناسب عمل دسته بندی را بر روی سیگنال های مغزی انجام دهیم. برای این منظور ابتدا از سیگنالهای مغزی نویز دستگاه ثبت حذف می شود سپس از این سیگنال ها با استفاده از تبدیل والش و آنتروپی ویژگی استخراج می شود. بعد از استخراج ویژگی ، بر اساس این ویژگی ها عمل دسته بندی انجام می شود. اولین پیش پردازش برای دسته بندی سیگنال های مغزی حذف نویز از این سیگنال ها می باشد. در این پایان نامه دو روش کلاسیک حذف نویز و دو روش پیشنهادی حذف نویز بررسی می شود. ابتدا با استفاده از روش کلاسیک ICA ، تبدیل موجک و دو روش پیشنهادی تبدیل والش و روش ترکیبی والش و ICA از سیگنال حذف نویز می شود. برای داشتن یک ارزیابی از این چند روش، نتایج حاصل از این چهار روش با استفاده از سه معیار، نسبت سیگنال به نویز(SNR)، میانگین میانگین حرکتی مربع خطا(MSE) و جذر میانگین تفاضل مربعات(درصد) (PRD) ارزیابی می شود. نتایج ارزیابی با استفاده از این معیار ها نشان داد که روش ترکیبی والش و ICA و تبدیل والش دارای کمترین مقدار میانگین مربع خطا می باشد. همچنین این دو روش دارای بیشترین مقدار نسبت سیگنال به نویز و جذر میانگین تفاضل مربعات(درصد) است. بعد از حذف نویز از سیگنال، به بحث استخراج ویژگی از سیگنال ها و دسته بندی آنهاپرداخته می شود. ویژگی های استخراج شده تعداد ویژگی کمی می باشد و میانگین حرکتی یک بردار ویژگی 22 مولفه ای است. این ویژگی ها مربوط به آنتروپی تبدیل والش کانال های سیگنال، آنتروپی تبدیل والش کل سیگنال، توان تبدیل والش کانال های سیگنال و توان تبدیل والش کل سیگنال می باشد. برای ارزیابی کارایی این ویژگی ها همین ویژگی ها، نیز با استفاده از تبدیل موجک و فوریه استخراج می شوند و عمل دسته بندی بر اساس ویژگی های استخراجی این سه روش به طور جداگانه انجام می شود. بعد از استخراج ویژگی، بر اساس ویژگی های استخراجی، به دسته بندی سیگنال ها با استفاده از طبقه بندی کننده SVM و نزدیکترین همسایه پرداخته می شود. نتایج حاصل نشان می دهد که دسته بندی با استفاده از ویژگی های استخراجی تبدیل والش به مراتب بهتر از دسته بندی بر اساس ویژگی های دو تبدیل دیگر است. نرخ تشخیص با استفاده از روش پیشنهادی و svm، 42.5 درصد و با روش نزدیکترین همسایه 39.0 درصد است. در مقایسه ای دیگر، نتایج حاصل با نتایج پیاده سازی شده بر روی این مجموعه داده، در چهارمین دوره مسابقات BCI مقایسه شده است. نتایج نشان داد که روش دسته بندی با استفاده از تبدیل والش از همه ی روشها به جز نفر اول بهتر است.. ولی مزیتی که روش پیشنهادی نسبت به همه روشها دارد این است که در بحث زمانی این روش دارای مجموع زمان تست و آموزش کمی است. این زمان 52 ثانیه می باشد که نسبت به روش اول که 403 و 640 ثانیه است به مراتب بهتر است.

#تبدیل والش #سیگنال های مغزی #نسبت سیگنال به نویز(SNR) #میانگین مربع خطا(MSE) و جذر میانگین تفاضل مربعات(درصد)( (PRD

دانلود نسخه تمام متن (رایگان)
محل نگهداری: کتابخانه مرکزی دانشگاه صنعتی شاهرود
یادداشت: حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود میانگین حرکتی می باشد.
تعداد بازدید کننده:

[کلیدواژه ها: فونوکاردیوگرام، فشرده‌سازی سیگنال‌های صوتی قلب، کدگذارهای ضرایب موجک، میزان فشرده‌سازی (CR)، ریشه درصدی میانگین مربع تفاضلات (PRD) ]

[کلیدواژه ها: ایزوتوپ‌های کلسیم – انرژی حالت پایه – جذر میانگین مربع شعاع باری – معادله دیراک – پتانسیل شبه هلمن – انرژی حالت برانگیخته]

[کلیدواژه ها: معادله شرودینگر، معادله دیراک،روش تحلیلی NU، جذر میانگین مربع شعاع باری، ویژه مقادیر انرژی، هسته های جادویی به همراه نوترون اضافی]

[کلیدواژه ها: تصور حرکت بازو، سیگنال‎های مغزی، EEG، BCI، تبدیل موجک، پردازشگر های سیگنال، TMS320C5509A]

[کلیدواژه ها: سیگنال های مغزی- رانندگان خودرو-خواب آلودگی- هوشیاری- پردازشگر های سیگنال – تبدیل موجک- EEG-TMS320C5509A]

[کلیدواژه ها: تبدیل زمان- فرکانس، تبدیل فوریه زمان کوتاه، تبدیل S، تجزیه طیفی، سایه فرکانس پایین، وارون سازی کمترین مربعات مقید شده]

[کلیدواژه ها: نویز ضربه‌ای فلفل و نمک، رفع نویز، فیلتر میانه، فیلتر میانگین، اطلاعات همسایگی، VHDL، FPGA]

مقالات مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

برو به دکمه بالا