| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-12页 |
| 1.1 研究背景与意义 | 第7页 |
| 1.2 研究现状分析 | 第7-10页 |
| 1.3 主要研究内容 | 第10-11页 |
| 1.4 文章组织结构安排 | 第11-12页 |
| 2 基于l_p-范数的广义稀疏表示分类算法及其应用研究 | 第12-22页 |
| 2.1 引言 | 第12-13页 |
| 2.2 相关工作 | 第13-15页 |
| 2.3 基于l_p-范数的广义稀疏表示分类算法 | 第15-17页 |
| 2.3.1 广义稀疏表示模型 | 第15-17页 |
| 2.3.2 分类器设计 | 第17页 |
| 2.4 实验结果与分析 | 第17-20页 |
| 2.5 本章小结 | 第20-22页 |
| 3 基于Fisher鉴别稀疏表示的分类算法及其应用研究 | 第22-34页 |
| 3.1 引言 | 第22-23页 |
| 3.2 相关工作 | 第23-25页 |
| 3.3 Fisher鉴别稀疏表示算法 | 第25-29页 |
| 3.3.1 运动特征提取与维数约减 | 第25-27页 |
| 3.3.2 Fisher鉴别字典学习方法 | 第27-28页 |
| 3.3.3 分类器设计 | 第28-29页 |
| 3.4 实验结果与分析 | 第29-32页 |
| 3.5 本章小结 | 第32-34页 |
| 4 基于概率模型的稀疏表示分类算法及其应用研究 | 第34-49页 |
| 4.1 引言 | 第34-35页 |
| 4.2 相关工作 | 第35-36页 |
| 4.3 基于概率模型的稀疏表示分类算法 | 第36-40页 |
| 4.3.1 基于概率的稀疏表示模型 | 第36-37页 |
| 4.3.2 分类器设计 | 第37-40页 |
| 4.4 应用背景 | 第40-43页 |
| 4.5 实验结果与分析 | 第43-48页 |
| 4.5.1 ADNI数据集处理 | 第43页 |
| 4.5.2 分类性能分析 | 第43-45页 |
| 4.5.3 脑功能连接网络分析 | 第45-47页 |
| 4.5.4 最具鉴别性的脑区 | 第47-48页 |
| 4.6 本章小结 | 第48-49页 |
| 5 总结与展望 | 第49-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 附录 | 第57页 |