【摘 要】
：
基于功能磁共振成像数据估计的功能脑网络分析已成为一种有效的神经功能障碍疾病的辅助诊断方式,如阿尔茨海默病的前期阶段—轻度认知障碍的预测等.在目前的功能脑网络估计工作中,皮尔森相关是使用最广泛的方法之一,尽管皮尔森相关简单有效,但它通常会估计出一个稠密的脑网络,在这种网络中,感兴趣脑区通常会被密集的连接起来,这与生物学上脑区的连接具有稀疏性的观点不一致.为解决这一问题,以往的研究中提出了使用阈值或l
论文部分内容阅读
基于功能磁共振成像数据估计的功能脑网络分析已成为一种有效的神经功能障碍疾病的辅助诊断方式,如阿尔茨海默病的前期阶段—轻度认知障碍的预测等.在目前的功能脑网络估计工作中,皮尔森相关是使用最广泛的方法之一,尽管皮尔森相关简单有效,但它通常会估计出一个稠密的脑网络,在这种网络中,感兴趣脑区通常会被密集的连接起来,这与生物学上脑区的连接具有稀疏性的观点不一致.为解决这一问题,以往的研究中提出了使用阈值或l1正则化器来构造稀疏的功能脑网络.然而,这些方法往往忽略了大脑丰富的结构信息,如降低网络噪声的低秩结构和增强网络稳定性的模块化结构.本文的研究重点就是将大脑的结构化信息融入功能脑网络学习模型中,以增强网络的判别性.具体包括以下两个研究工作:（1）基于矩阵分解的低秩功能脑网络学习.低秩结构不仅可以降低网络中的噪音,还提高网络的模块化结构,以增强大脑稳定性.但现有的工作中提出的方法大多忽略了大脑的这一特性.为了解决这一问题,作者提出了一种利用矩阵分解的新颖且普遍适用的估计功能脑网络的方法.具体来说,作者首先基于传统方法构建功能脑网络.然后,利用矩阵分解模型更新并降低这些网络的秩.（2）具有精确模块数的功能脑网络的构建.模块化结构已经被证明是提高大脑信息处理能力的重要特性.为此,本文提出了一种精确模块诱导的皮尔森相关模型,通过引入对网络拉普拉斯矩阵的稀疏约束和低秩约束来估计具有清晰的模块化结构的功能脑网络.该方法利用图拉普拉斯矩阵的零特征值的数量等价于图中连通分量个数的性质,将拉普拉斯矩阵的秩降至一个预定义的数,从而得到具有精确模块数的功能脑网络.最后,为了评估所提方法的有效性,本文使用估计的功能脑网络从健康对照组中识别出轻度认知障碍患者和自闭症谱系障碍患者.在公开数据集的实验结果表明,本文方法的分类性能优于所选的基线方法.
其他文献
粗糙集理论是Pawlak提出的一种处理不确定性信息的数学工具,其核心思想是在给定的知识库中对不精确不确定的信息进行近似刻画.经典的Pawlak粗糙集是基于等价关系的,这限制了粗糙集理论与应用的范围.因此,人们引入了各种广义粗糙集模型,而多粒度粗糙集即是其中最重要的模型之一.本文拟对多粒度粗糙集展开进一步的研究,主要内容包括:1.引入了拓展的多粒度粗糙集模型.多粒度粗糙集有两个基本模型:乐观模型和悲
最优化研究的问题之一是图像特征的提取.主成分分析（Principal Component Analysis,PCA）利用向量法提取特征,矩阵广义低秩近似方法（Generalized Low Rank Approximations of Matrices,GLRAM）利用矩阵提取特征,两种降维方法均被广泛应用.已有他人的文章采用了半光滑牛顿法求解基于L2范数的软间隔支持向量机（Soft-Margin
随机控制一直以来都是控制理论领域中最具挑战性的控制问题之一.而随机干扰是随机系统最主要的被控因素.它的存在会使系统性能下降,甚至影响系统的稳定性.为了实现被控系统具有更良好的性能,节省成本的目标,随机系统的稳定性控制问题已成为控制理论领域的研究热点.因而,随机系统的稳定性问题的研究对于实际工程系统具有十分深远的意义.围绕随机系统的稳定性理论,本文分别考虑了随机离散时间平均场系统、具有时变时滞和非对
动态输出反馈（DOF）控制器的设计是控制领域的热点和难点.目前,多种性能指标的系统综合都依赖于状态反馈（SF）,然而,在许多实际问题中,系统的状态通常不能直接量测.所以,虽然SF在功能上优于输出反馈,但是很难使用SF控制律来对系统进行控制.有时,即使可以直接量测系统的状态,也需要利用输出反馈来对系统进行控制,是由于系统控制的成本和系统的可靠性等此类的因素也是需要考虑的问题.在这种发展趋势下,输出反
数论中的很多问题都是围绕整系数多项式展开的,而关于整系数序列连续项乘积的高次幂性质就是其中一个方面.令n,Q,k∈Z*且k至多包含t个不同的奇素因子,f（n）,g（n）,h（n）∈Z[n],记对Sn,Cn和Dn的高次幂性质进行分析,证明了1.存在某个与Q相关的正整数NQ,当n≥NQ时,Sn不是完全平方数.2.当k为奇数,t≤5且R∈[0.5,0.89963]时,若f+h≥max{106,（g+h-
本文首先应用李群方法得到一类（1+1）维CDGSK方程的对称,并根据其对称得到该方程的最优系统.利用最优系统构造了方程的不变量及群不变解,并得到了四类约化的常微分方程.为了得到约化方程的解,文中采用行波变换及函数展开方法,求出了一些新的精确解,并给出解的图像.其次,通过Hirota双线性方法研究该方程,获得了该方程的N-孤子解,并给出该方程2-孤子解的图像.再次,文中讨论了Cahn-Hilliar
随着系统生物学的蓬勃发展,一类以面向生物系统的多值逻辑控制网络（含布尔网络）为背景的动力学模型——逻辑动态系统已成为当前控制领域的研究热点.然而,在实际的生物系统中,由于操纵基因或外部环境刺激的影响,导致生物系统出现癌变或具有随机性.这些现象使得它们的逻辑动态系统结构变得复杂,分析过程变的繁琐.本文以矩阵半张量积为工具,研究这类系统的分析、控制与优化问题,并将所得结果应用于博弈论中.主要研究内容包
随着科技的迅速发展,借助网络实现高效控制成为自动控制领域的研究热点.然而,各种复杂的网络环境为系统的控制研究带来了巨大的挑战.例如,网络通讯资源不足或计算能力有限等等,这已成为控制研究中亟待解决的热点问题.此外,鉴于工业制造中的操作误差以及原件老化等情况,系统执行器不免会发生故障,为此设计容错方案保证控制能够顺利进行是非常必要的.自适应控制具有良好的学习、适应和调节能力,对各类复杂系统的控制研究具
现代社会和工业的快速发展促使系统控制理论不断完善以满足实际应用的需要.考虑到现代实际系统包含多种非线性因素,非线性系统的控制研究受到了广泛的关注.然而,由于非线性系统的多样性和复杂性以及各种控制方法优缺点并存等因素,现有非线性系统研究成果具有一定的局限性.对多种形式的非线性系统进行更深入的研究和探索,克服现有工作的不足,提出新的控制设计是非常有必要的.因此,本文研究了具有状态约束特性或状态不可量测
脑功能网络是了解大脑工作机制、诊断脑疾病以及发现相关生物标识物的重要工具.在过去几十年,许多构建脑功能网络的方法被相继提出,比如Pearson相关及稀疏表示.然而,这些方法仅仅编码了脑区间的直接关系（低阶关系）,而这些关系间的关系即网络的高阶关系却容易被忽略.事实上,大脑是个复杂的网络,脑区间的高阶关系更容易捕获大脑的全局结构信息,以及脑区间的互补信息.为此,本文试图尝试构建高阶脑功能网络.具体研