基于SVM的带标记线MRI左心室运动分析研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-17页 |
| ·论文背景 | 第9页 |
| ·统计学习理论 | 第9-12页 |
| ·函数估计模型 | 第9-10页 |
| ·学习效果的估计和风险泛函 | 第10页 |
| ·VC维 | 第10-11页 |
| ·经验风险最小化 | 第11页 |
| ·结构风险最小化 | 第11-12页 |
| ·SVM理论 | 第12-14页 |
| ·最优超平面 | 第13-14页 |
| ·支持向量机 | 第14页 |
| ·本文的主要工作 | 第14-16页 |
| ·主要工作介绍 | 第14-15页 |
| ·本文的主要贡献 | 第15-16页 |
| ·本文的组织结构 | 第16-17页 |
| 2 支持向量回归机 | 第17-34页 |
| ·引言 | 第17页 |
| ·回归问题的提出 | 第17-18页 |
| ·ε-不敏感损失函数 | 第18-19页 |
| ·支持向量回归机 | 第19-23页 |
| ·线性支持向量回归机 | 第19-20页 |
| ·非线性支持向量回归机 | 第20-21页 |
| ·对Lagrange乘子的讨论 | 第21-22页 |
| ·一些较为深入的探讨 | 第22-23页 |
| ·支持向量回归机算法 | 第23-25页 |
| ·ε-支持向量回归机算法 | 第23页 |
| ·υ-支持向量回归机算法 | 第23-25页 |
| ·求解大型二次规划问题的算法 | 第25-26页 |
| ·SMO算法 | 第26-32页 |
| ·传统SMO算法 | 第26-29页 |
| ·基于υ-SVR的改进SMO算法 | 第29-32页 |
| ·仿真实验 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 3 基于带标记线的MRI左心室形变分析 | 第34-44页 |
| ·引言 | 第34-35页 |
| ·相关背景 | 第35-37页 |
| ·传统的心脏形变分析的方法 | 第37-38页 |
| ·基于SVM的左心室形变计算 | 第38-43页 |
| ·一些假设 | 第38-40页 |
| ·连续位移场方程的建立 | 第40-41页 |
| ·位移分量的计算 | 第41-42页 |
| ·心肌质点运动方程的建立 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 4 实验结果与分析 | 第44-61页 |
| ·引言 | 第44页 |
| ·用于实验的数据 | 第44-45页 |
| ·核函数及其相关参数的选取 | 第45-51页 |
| ·核函数及核参数选取策略 | 第45-47页 |
| ·仿真试验 | 第47-51页 |
| ·测试数据拟合的结果(实验数据见附录B) | 第51-58页 |
| ·SVM的全局拟合结果 | 第51-54页 |
| ·SVM的局部拟合结果 | 第54-57页 |
| ·前馈神经网络拟合结果 | 第57-58页 |
| ·心肌形变计算的结果 | 第58-60页 |
| ·本章小结 | 第60-61页 |
| 5 结束语 | 第61-63页 |
| ·本文总结 | 第61-62页 |
| ·进一步的工作与展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 附录A 相关知识 | 第67-70页 |
| A.1 学习过程的一致性 | 第67页 |
| A.2 小样本集 | 第67页 |
| A.3 Lagrange乘子法 | 第67页 |
| A.4 局部最优解与全局最优解 | 第67-68页 |
| A.5 Mercer定理 | 第68页 |
| A.6 平分最近点法 | 第68-69页 |
| A.7 交叉验证 | 第69-70页 |
| 附录B 实验表格 | 第70-76页 |
| B.1 全局拟合实验表格 | 第70-73页 |
| B.2 局部拟合实验表格 | 第73-74页 |
| B.3 神经网络拟合实验表格 | 第74-75页 |
| B.4 形变计算结果 | 第75-76页 |
| 附录C 改进υ-SVR算法伪代码 | 第76-78页 |
| 附录D 硕士期间参与的科研项目 | 第78-79页 |
| 附录E 硕士期间发表的论文 | 第79页 |
