摘要 | 第5-6页 |
Abstract | 第6-7页 |
第一章 绪论 | 第10-26页 |
1.1 脑科学的研究意义 | 第10-14页 |
1.2 静息态功能磁共振成像技术 | 第14-18页 |
1.3 高维数据降维问题研究现状 | 第18-22页 |
1.4 论文的主要工作及结构 | 第22-26页 |
1.4.1 论文主要工作 | 第22-23页 |
1.4.2 论文结构 | 第23-26页 |
第二章 脑网络动态特征矩阵构建 | 第26-38页 |
2.1 研究基础及遇到的问题 | 第26-28页 |
2.2 数据来源和处理 | 第28-30页 |
2.3 状态观测窗口的构建 | 第30-32页 |
2.4 全脑网络动态特征矩阵的构建 | 第32-36页 |
2.5 本章小结 | 第36-38页 |
第三章 自适应加权的t-SNE降维算法方法 | 第38-52页 |
3.1 t-SNE算法原理及流程 | 第38-40页 |
3.2 基于样本分布分析的高维空间样本对距离模型 | 第40-45页 |
3.2.1 欧式距离模型 | 第41-42页 |
3.2.2 基于样本分布状况的样本对欧式距离归一化 | 第42-43页 |
3.2.3 样本对间距的分组和加权 | 第43-45页 |
3.3 自适应加权t-SNE的降维算法思想 | 第45-47页 |
3.4 基于自适应加权t-SNE算法的脑网络状态观测矩阵降维 | 第47-51页 |
3.4.1 降维流程及实现 | 第47-50页 |
3.4.2 基于自适应加权t-SNE的脑网络状态观测矩阵降维算法实现 | 第50-51页 |
3.5 本章小结 | 第51-52页 |
第四章 脑网络降维实验验证及结果分析 | 第52-72页 |
4.1 脑网络数据降维及聚类实验平台设计 | 第52-55页 |
4.1.1 关键技术介绍 | 第52-53页 |
4.1.2 自适应加权t-SNE的脑网络降维平台设计 | 第53-54页 |
4.1.3 脑网络状态降维聚类性能评价平台设计 | 第54-55页 |
4.2 高维数据聚类结果性能度量分析 | 第55-58页 |
4.2.1 常用外部指标 | 第56-57页 |
4.2.2 常用内部指标 | 第57-58页 |
4.3 脑网络降维聚类实验与分析 | 第58-70页 |
4.3.1 自适应加权t-SNE算法与其它降维算法的单样本对比试验 | 第58-60页 |
4.3.2 自适应加权t-SNE算法与t-SNE算法的多样本对比试验 | 第60-66页 |
4.3.3 脑网络状态观测矩阵降维结果的性能对比实验 | 第66-70页 |
4.4 本章小结 | 第70-72页 |
第五章 总结与展望 | 第72-76页 |
5.1 本文主要工作总结 | 第72-73页 |
5.2 本文存在不足和下一步的研究重点 | 第73-76页 |
致谢 | 第76-78页 |
参考文献 | 第78-84页 |
附录A:攻读硕士学位期间发表成果 | 第84-86页 |
附录B:攻读硕士学位期间参与科研项目 | 第86页 |