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

针对滚动轴承的内圈、外圈和滚动体故障提出了一种新的诊断方法,该方法融合了集总经验模态分解(EEMD)、形态谱和支持向量机(SVM)三种方法的优势.首先,利用经验模态分解对滚动轴承故障振动信号进行分解,得到若干个具有物理意义的内禀模态分量(IMF);其次,基于最大能量法筛选出含有故障特征信息最丰富的一个内禀模态分量为故障诊断数据源;再次,对数据源在选定尺度范围内进行形态谱的提取,从而构造故障特征向量;最后,利用支持向量机对滚动轴承的三种故障进行诊断.研究结果表明,该方法能够有效地诊断出滚动轴承的三种故障,且具有很高的故障诊断正确率

1．无约束优化问题min f (x)nxR，其中向量x的 n 个分量ix都是决策变量，称f (x)目标函数

《概率论》课程教学资源（教案讲义）第二章 随机变量及其概率分布 2.6 关于分布函数 第三章 随机向量及其概率分布 3.1 连续型随机向量及其概率密度函数 3.2 离散型随机向量及边缘分布函数

2.1 线性表(linear list) 2.1.1 线性表的抽象数据类型 2.1.2 线性表的存储结构 2.1.3 线性表运算分类 2.2 顺序表—向量(sequential list—vector ) 2.2.1 向量的类定义(type definition) 2.2.2 向量的运算 2.3 链表(linked list) 2.3.1单 链 表(singly linked list) 2.3.2 双 链 表(double linked list) 2.3.3 循 环 链 表(circularly linked list) 2.4 线性表实现方法的比较 2.5 栈 2.5.1 顺序栈 2.5.2 链式栈 2.5.3 顺序栈与链式栈的比较 2.5.4 栈的应用——后缀表达式求值 2.5.4 递归的实现 2.6 队列 2.6.1 顺序队列 2.6.2 链式队列 2.2.3 顺序队列与链式队列的比较

n(元)维随机变量(向量) 称同一个样本空间Ω上的n个随机变量 X1,2,…,Xn构成的n维向量(X1,2,Xn) 为Ω上的n维随机变量(向量) 注:一维随机变量即为上一节介绍的随机变量, 二维及二维以上的随机变量称为多维随机变量

空间为体,矩阵为用分为研究对象---几何，线性空间(向量)，研究工具---代数，矩阵运算 ，向量(问题)- modeling→矩阵语言描述 →矩阵运算解决→向量(解答) 与微积分的关系: 非线性一微积分→线性一线性代数→

9.1 向量自回归理论 9.2 结构VAR(SVAR)模型的识别条件 9.3 VAR模型的检验 9.4 脉冲响应函数 9.5 方差分解 9.6 Johansen协整检验 9.7 向量误差修正模型(VEC)

这一章,我们为学习多元函数微积分学 作准备,介绍空间解析几何和向量代数。这 是两部分相互关联的内容。用代数的方法研 究空间图形就是空间解析几何,它是平面解 析几何的推广。向量代数则是研究空间解析 几何的有力工具。这部分内容在自然科学和 工程技术领域中有着十分广泛的应用,同时 也是一种很重要的数学工具

线性代数课程介绍 (Introduction to Linear Algebra) 什么是线性代数 向量 (Vectors) 向量加法和数乘 向量长度和点积 矩阵 解线性方程组 (I)(Solving Linear Equations(I)) 线性方程组 解线性方程组的矩阵表示 矩阵 (Matrices) 矩阵的运算 分块矩阵 逆矩阵 转置矩阵和置换矩阵