| 摘要 | 第4-5页 |
| 英文摘要 | 第5-6页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 课题的背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 多模态神经影像及其应用 | 第14-15页 |
| 1.2.2 特征选择研究现状 | 第15-16页 |
| 1.2.3 多任务特征选择研究现状 | 第16-17页 |
| 1.3 本文的主要工作及内容组织 | 第17-19页 |
| 第二章 数据处理流程与详细分析 | 第19-27页 |
| 2.1 数据处理流程 | 第19页 |
| 2.2 详细分析 | 第19-25页 |
| 2.2.1 数据集介绍 | 第19-21页 |
| 2.2.2 影像数据的预处理 | 第21-23页 |
| 2.2.3 影像数据的特征提取 | 第23-24页 |
| 2.2.4 影像数据的特征选择 | 第24-25页 |
| 2.2.5 预测分类 | 第25页 |
| 2.3 本章小结 | 第25-27页 |
| 第三章 基于密度聚类的多任务特征选择算法 | 第27-41页 |
| 3.1 密度聚类概述 | 第27页 |
| 3.2 基于密度聚类的多任务特征选择算法 | 第27-33页 |
| 3.2.1 基于密度聚类的多任务特征选择算法 | 第29-31页 |
| 3.2.2 算法优化求解 | 第31-33页 |
| 3.3 实验与结果分析 | 第33-39页 |
| 3.3.1 实验方法 | 第33-35页 |
| 3.3.2 实验结果 | 第35-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第四章 基于类内方差最小化的多任务特征选择算法 | 第41-55页 |
| 4.1 投影映射降维方法 | 第41-44页 |
| 4.1.1 主成分分析方法 | 第41-42页 |
| 4.1.2 线性判别分析方法 | 第42-44页 |
| 4.2 基于类内方差最小化的多任务特征学习 | 第44-48页 |
| 4.2.1 基于类内方差最小化的多任务特征选择 | 第45-46页 |
| 4.2.2 类内方差最小化项数学推导 | 第46-48页 |
| 4.3 实验与结果分析 | 第48-53页 |
| 4.3.1 实验方法 | 第48-49页 |
| 4.3.2 实验结果 | 第49-53页 |
| 4.4 本章小结 | 第53-55页 |
| 第五章 两阶段多任务特征选择算法 | 第55-69页 |
| 5.1 无监督特征选择算法概述 | 第55-57页 |
| 5.1.1 基于相似度保护的特征选择算法 | 第56页 |
| 5.1.2 基于聚类的特征选择算法 | 第56-57页 |
| 5.2 基于有效距离的拉普拉斯分数特征选择算法 | 第57-61页 |
| 5.2.1 有效距离概述 | 第57-59页 |
| 5.2.2 拉普拉斯分数特征排名算法 | 第59-60页 |
| 5.2.3 基于有效距离的拉普拉斯分数特征选择算法 | 第60-61页 |
| 5.3 两阶段多任务特征选择算法 | 第61-64页 |
| 5.3.1 无监督特征选择实现细节 | 第62-63页 |
| 5.3.2 有监督特征选择实现细节 | 第63-64页 |
| 5.4 实验与结果分析 | 第64-68页 |
| 5.4.1 实验方法 | 第64-65页 |
| 5.4.2 实验结果 | 第65-68页 |
| 5.5 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 在学期间发表的学术论文和研究成果 | 第77-79页 |
| 致谢 | 第79页 |