| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 注释表 | 第11-12页 |
| 缩略词 | 第12-14页 |
| 第一章 绪论 | 第14-20页 |
| ·问题提出与研究意义 | 第14-16页 |
| ·多任务、多模态、多视图学习现状分析 | 第16-17页 |
| ·本文的主要研究工作和内容安排 | 第17-20页 |
| 第二章 相关背景知识 | 第20-27页 |
| ·引言 | 第20页 |
| ·特征选择简介 | 第20-23页 |
| ·特征选择的过程 | 第21页 |
| ·常用特征选择算法 | 第21-23页 |
| ·特征提取简介 | 第23-24页 |
| ·多核学习 | 第24页 |
| ·稀疏学习 | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 判别性多模态特征选择及应用 | 第27-41页 |
| ·引言 | 第27页 |
| ·方法框架 | 第27-32页 |
| ·多模态特征选择 | 第28页 |
| ·判别性多任务特征选择 | 第28-31页 |
| ·优化方法 | 第31-32页 |
| ·多核SVM分类 | 第32页 |
| ·实验设计与结果分析 | 第32-39页 |
| ·ADNI数据集 | 第32-33页 |
| ·图像预处理和特征提取 | 第33页 |
| ·分类结果分析 | 第33-37页 |
| ·判别性脑区域 | 第37-38页 |
| ·参数的影响 | 第38-39页 |
| ·本章小结 | 第39-41页 |
| 第四章 基于有效距离的多模态特征选择及应用 | 第41-52页 |
| ·引言 | 第41页 |
| ·传统距离度量方式 | 第41-42页 |
| ·有效距离的描述 | 第42-43页 |
| ·方法框架 | 第43-46页 |
| ·基于稀疏重构系数的有效距离与基于有效距离拉普拉斯矩阵的计算 | 第44页 |
| ·基于有效距离的多模态特征选择模型(EDMMFS)及优化 | 第44-45页 |
| ·EDMMFS算法框架 | 第45页 |
| ·多核SVM分类 | 第45-46页 |
| ·实验设计与结果分析 | 第46-48页 |
| ·数据集 | 第46页 |
| ·实验设置 | 第46-47页 |
| ·分类结果分析 | 第47页 |
| ·判别性脑区域 | 第47-48页 |
| ·本章小结 | 第48-52页 |
| 第五章 总结与展望 | 第52-54页 |
| ·本文总结 | 第52-53页 |
| ·未来工作展望 | 第53-54页 |
| 参考文献 | 第54-63页 |
| 致谢 | 第63-64页 |
| 在学期间的研究成果及发表的学术论文 | 第64页 |