注意力缺陷多动障碍（ADHD）是儿童期最常见的精神疾病之一，在大多数情况下持续到成年期。近年来，基于功能磁共振数据的ADHD分类成为了研究热点。文献中已有的大多数分类算法均假设样本是均衡的，然而事实上，ADHD数据集通常是不平衡的。传统的学习算法会使得分类器倾向于多数类样本，从而导致性能下降。本文研究了基于不平衡神经影像数据的ADHD分类问题，即基于静息状态功能磁共振数据对ADHD进行分类。采用功能连接矩阵作为分类特征，提出了一种基于多目标支持向量机的ADHD数据分类方案。该方案将不均衡数据分类问题建模为具有三个目标的支持向量机模型，其中三个目标分别为最大化分类间隔、最小化正样本误差和最小化负样本误差，进而正负样本经验误差可以被分开处理。然后采用多目标优化的法向量边界交叉法对模型进行求解，并给出一组代表性的分类器供决策者进行选择。该方案在ADHD-200竞赛的五个数据集上进行测试评估，并与传统分类方法进行对比。实验结果表明本文提出的三个目标支持向量机分类方案比传统的分类方法效果好，可以有效的从算法层面解决数据不平衡问题。该方案不仅可用于辅助ADHD诊断，还可用于阿尔茨海默病和自闭症等疾病的辅助诊断

3.1.1平行四边形的有向面积和平行六面体的有向体积具有的三条性质 在解析几何中已证明,给定二维向量空间中的单位正交标架,设向量a,B的坐标分别 为(a1,a2)和(b,b2),则由向量a,B张成的平行四边形的有向面积为ab2-a2b,这里记 为;给定三维空间内右手单位正交标架,设向量a,B,y的坐标分别为(a1,a2,a3) (b1,b2,b3)和(1,C2,C3),则由向量a,B,y张成的平行六面体的有向体积为 (ab2-a2b1)c1+(a3b1-ab3)c2+(ab2-a2b1)C3

向量空间有两种运算:加法和数量乘法,合起来成为线性 运算。因此向量空间也可称为线性空间。向量空间元素之间的最基本的关系就体现在运算上即所谓线性关系上。因此讨论向量之间的线性关系在研究向量空间时起着极为重要的作用。本节仅限于在F中进行讨论

4.4向量空间 1.向量空间:设V是具有某些共同性质的n维向量的集合,若 对任意的a,B∈V,有a+B∈V;(加法封闭) 对任意的a∈V,k∈R,有ka∈V.(数乘封闭) 称集合为向量空间

一.特征值与特征向量的定义 二.特征值与特征向量的性质 三.特征值与特征向量的求法

如果二维随机向量(X,Y)的每个分 量都是离散型随机变量,则称(X,Y)是 二维离散型随机向量. 二维离散型随机向量(X,Y)所有可 能取的值也是有限个或可列无穷个

一、向量概念 二、向量的线性运算 三、空间直角坐标系 四、利用坐标作向量的线性运算 五、向量的模、方向解、投影

3.1n维向量 3.2 向量组的线性相关性 3.3 线性相关性的判别定理 3.4 向量组的秩 3.5 向量空间

5.1 n维向量 5.2 向量组的线性相关性 5.3 矩阵的秩与向量组的秩 5.4 向量空间 5.5 基、维数与坐标 5.6 线性方程组解的结构 5.7 超定方程的解——最小二乘问题 5.8 应用实例 5.9 习题

一、向量的概念 向量:既有大小又有方向的量 向量表示:a或M1M2