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

1.设E是R中一族(开的、闭的、半开半闭的)区间的并集.证明E Lebesgue是 可测集

通过高温高压动态反应釜实验模拟油田集输管道腐蚀环境,采用腐蚀失重、X射线衍射、扫描电镜和电化学分析等方法,研究了CO2/油/水环境中X65钢的腐蚀行为

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题，提出了一种基于群体智能优化的多核学习支持向量机算法。首先，研究了五种单核函数对支持向量机分类性能的影响，进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法；其次，为增加粒子多样性及快速寻优，将粒子群优化算法引入了遗传算法中的杂交操作，并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后，分别采用深度特征与手工特征作为识别算法的输入，研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入，以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试，进一步为了验证所提算法的泛化能力，选取公开数据集LUNA16进行测试。实验结果表明，本文算法易于跳出局部最优解，提升了算法的学习能力与泛化能力，具有较优的分类性能

1. Peano系统 2.后继,归纳集,自然数,自然数集 3.数学归纳法原理 4.传递集 5.自然数的运算 6.自然数上的序关系

Windows常用命令集 wInver 一一一检查 windows版本 wmimgmt. msc 一打开 windows管理体系结构(wmi) windows更新程序 w脚本 windows脚本宿主设置

4.6.1 共射—共基放大电路 4.6.2 共集—共集放大电路

§1 函数的概念 §2 逆函数和复合函数 §3 基数的概念 §4* 可数集与不可数集

1 函数,偏函数,全函数真偏函数 2 单射,满射双射计数问题 3 象,原象 4 常数函数,恒等函数,特征函数,单调函数, 5 自然映射 6 合成(复合)反函数,单边逆(左逆右逆) 7 构造双射(有穷集,无穷集)

2014年北京市各区九年级上期末考试试卷合集、专题分类合集_2014怀柔期末试题及答案