| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 国内外研究现状和发展趋势 | 第10-13页 |
| 1.1.1 稀疏理论的研究背景及应用 | 第10-11页 |
| 1.1.2 基于脑电的脑-机接口技术 | 第11-12页 |
| 1.1.2.1 基于大脑活动节律的脑-机接口 | 第11-12页 |
| 1.1.2.2 基于事件相关电位的脑-机接口 | 第12页 |
| 1.1.2.3 基于ERD以及ERS的脑-机接口 | 第12页 |
| 1.1.3 脑电中的特征提取及模式识别方法 | 第12-13页 |
| 1.2 本文的主要工作 | 第13-14页 |
| 1.3 本论文的结构安排 | 第14-16页 |
| 第二章 稀疏优化理论基础 | 第16-21页 |
| 2.1 稀疏表示综述 | 第16-18页 |
| 2.1.1 匹配追踪算法 | 第16-17页 |
| 2.1.2 正交匹配追踪算法 | 第17页 |
| 2.1.3 基于l_p范数的稀疏优化 | 第17-18页 |
| 2.2 l_1范数研究综述 | 第18-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 基于l_1范数极大化奇异值分解的共空间模式识别分析 | 第21-34页 |
| 3.1 基于共空间模式分析的特征提取 | 第21-24页 |
| 3.1.1 共空间模式基本理论 | 第21页 |
| 3.1.2 基于正则化的共空间模式基本理论 | 第21-24页 |
| 3.1.2.1 正则化的CSP协方差矩阵 | 第22页 |
| 3.1.2.2 正则化的CSP目标函数 | 第22-24页 |
| 3.2 基于l_1范数极大化奇异值分解的共空间模式分解 | 第24-26页 |
| 3.3 实验数据描述 | 第26-32页 |
| 3.3.1 Outliers仿真数据 | 第26-27页 |
| 3.3.1.1 Outliers仿真实验结果 | 第27页 |
| 3.3.2 实验室运动想象脑电数据 | 第27-32页 |
| 3.3.2.1 真实脑电数据结果 | 第30-32页 |
| 3.4 结果分析 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 基于l_p范数的线性判别分析 | 第34-51页 |
| 4.1 线性判别分析 | 第34-36页 |
| 4.2 基于l_p范数的线性判别分析 | 第36-39页 |
| 4.2.1 基于l_p范数的线性判别分析的二分类 | 第36-37页 |
| 4.2.2 基于l_p范数线性判别分析的迭代求解 | 第37-38页 |
| 4.2.3 基于l_p范数线性判别分析的多分类 | 第38-39页 |
| 4.3 实验数据描述 | 第39-48页 |
| 4.3.1 仿真数据分类 | 第40-43页 |
| 4.3.1.1 Outliers的个数影响 | 第40-42页 |
| 4.3.1.2 Outliers的强度影响 | 第42-43页 |
| 4.3.2 实际数据分类 | 第43-48页 |
| 4.3.2.1 运动想象脑-机接口数据 | 第43-45页 |
| 4.3.2.2 UCI标准模式识别数据库数据 | 第45-46页 |
| 4.3.2.3 基因数据 | 第46-47页 |
| 4.3.2.4 人脸识别数据 | 第47-48页 |
| 4.4 结果分析 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 全文总结与展望 | 第51-53页 |
| 5.1 全文总结 | 第51页 |
| 5.2 后续工作展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 攻读硕士学位期间取得的成果 | 第60-61页 |