| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 简介压缩感知及稀疏模型 | 第10页 |
| 1.2.2 基于LASSO的变量选择方法 | 第10-11页 |
| 1.2.3 稳定性选择及变量选择的错误控制 | 第11页 |
| 1.3 本文所做工作及内容安排 | 第11-13页 |
| 第二章 变量的稳定性选择 | 第13-18页 |
| 2.1 LASSO模型的变量选择 | 第13-14页 |
| 2.2 稳定性选择 | 第14-15页 |
| 2.3 稀疏模型的扩展 | 第15-17页 |
| 2.3.1 弹性网 | 第15-16页 |
| 2.3.2 随机ward逻辑回归 | 第16页 |
| 2.3.3 对列的子采样 | 第16-17页 |
| 2.4 本章小结 | 第17-18页 |
| 第三章 约束块子采样——随机结构稀疏 | 第18-23页 |
| 3.1 算法的详细阐述 | 第18-21页 |
| 3.1.1 算法关键成分之一：基于块子采样的稳定性选择 | 第19页 |
| 3.1.2 算法关键成分之二： 引入结构信息 | 第19-21页 |
| 3.2 算法框架 | 第21页 |
| 3.3 本章小结 | 第21-23页 |
| 第四章 相关数据实验及结果 | 第23-44页 |
| 4.1 Haxby认知数据实验 | 第23-29页 |
| 4.1.1 实验数据及设计 | 第23-24页 |
| 4.1.2 实验结果及分析 | 第24-29页 |
| 4.2 基于体素的孤独症多中心数据实验 | 第29-38页 |
| 4.2.1 孤独症实验设计及数据预处理 | 第29-30页 |
| 4.2.2 算法参数设定及阈值方法 | 第30-31页 |
| 4.2.3 评估准则 | 第31页 |
| 4.2.4 聚类结果和RSS特征选择结果稳定性分析 | 第31-34页 |
| 4.2.5 不同算法结果一致性的比较分析 | 第34-37页 |
| 4.2.6 基于生物标记物的结果讨论 | 第37-38页 |
| 4.3 基于功能连接的孤独症多中心数据实验 | 第38-43页 |
| 4.3.1 实验数据选择及预处理 | 第38-39页 |
| 4.3.2 全脑功能连接的计算 | 第39页 |
| 4.3.3 基于模块化的脑网络结构的探测 | 第39页 |
| 4.3.4 算法相关参数的调整与设置 | 第39-40页 |
| 4.3.5 一致稳定的功能连接特征和相应具有判别能力的区域 | 第40-41页 |
| 4.3.6 对测试中心数据进行分类——特征选择评估 | 第41-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 总结和展望 | 第44-45页 |
| 5.1 总结 | 第44页 |
| 5.2 展望 | 第44-45页 |
| 致谢 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 攻读硕士期间主要研究成果 | 第50-51页 |
