基于压缩感知的医学数据分类研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文结构 | 第14-16页 |
| 第二章 压缩感知和医学数据分类 | 第16-31页 |
| 2.1 压缩感知理论 | 第16-21页 |
| 2.1.1 信号稀疏表示 | 第16-17页 |
| 2.1.2 观测矩阵 | 第17-18页 |
| 2.1.3 信号重构算法 | 第18-20页 |
| 2.1.4 压缩感知的应用 | 第20-21页 |
| 2.2 医学数据简介 | 第21-23页 |
| 2.2.1 DNA微阵列简介 | 第21-23页 |
| 2.2.2 实验数据 | 第23页 |
| 2.3 常用的降维方法 | 第23-26页 |
| 2.3.1 高斯随机矩阵 | 第23-24页 |
| 2.3.2 主成分分析 | 第24-25页 |
| 2.3.3 奇异值分解 | 第25页 |
| 2.3.4 Relief-F过滤法 | 第25-26页 |
| 2.4 医学数据分类模型 | 第26-30页 |
| 2.4.1 支持向量机 | 第27-28页 |
| 2.4.2 决策树 | 第28-29页 |
| 2.4.3 K最近邻分类 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于K-SVD字典学习算法的医学数据分类 | 第31-55页 |
| 3.1 基于K-SVD字典学习算法的压缩感知模型 | 第31-32页 |
| 3.2 信号重构方法 | 第32-37页 |
| 3.2.1 GroupKSVD-MOMP算法 | 第34-35页 |
| 3.2.2 GroupKSVD-ADMM算法 | 第35-37页 |
| 3.3 样本类别判断 | 第37-38页 |
| 3.4 实验结果和分析 | 第38-54页 |
| 3.4.1 二分类的DLBCL数据集 | 第38-42页 |
| 3.4.2 三分类的Leukemia数据集 | 第42-46页 |
| 3.4.3 四分类的SRBCT数据集 | 第46-50页 |
| 3.4.4 五分类的Brain数据集 | 第50-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 基于双向压缩感知的医学数据分类 | 第55-68页 |
| 4.1 双向压缩感知模型 | 第55-56页 |
| 4.2 信号重构方法 | 第56-62页 |
| 4.2.1 Bi-OMP算法 | 第56-58页 |
| 4.2.2 Bi-ADMM算法 | 第58-62页 |
| 4.3 样本类别判断 | 第62-63页 |
| 4.4 实验结果和分析 | 第63-67页 |
| 4.5 本章小结 | 第67-68页 |
| 第五章 基于多核学习和压缩感知的医学数据分类 | 第68-81页 |
| 5.1 多核学习 | 第68-70页 |
| 5.1.1 核方法 | 第68-69页 |
| 5.1.2 多核学习 | 第69-70页 |
| 5.2 基于多核学习的压缩感知模型 | 第70-72页 |
| 5.3 信号重构方法 | 第72-75页 |
| 5.3.1 MKL-MOMP算法 | 第73页 |
| 5.3.2 MKL-ADMM算法 | 第73-75页 |
| 5.4 实验结果和分析 | 第75-80页 |
| 5.5 本章小结 | 第80-81页 |
| 第六章 总结与展望 | 第81-83页 |
| 6.1 总结 | 第81-82页 |
| 6.2 展望 | 第82-83页 |
| 参考文献 | 第83-88页 |
| 致谢 | 第88-89页 |
| 攻读学位期间发表的学术论文与参加的研究工作 | 第89-90页 |
