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

一、向量在轴上的投影与投影定理 设有一轴u，AB 是轴u 上的有向线段

一、直线方程 如果一个非零向量 s 可平移至直线 L上，则称 s 平行于L，记作 s // L.与直线平行的非零向量称为直线 L 的方向向量

一、向量在轴上的投影与投影定理 设有一轴U,AB是轴u上的有向线段

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

映射方法:将具体的样本空间映射到数集或者 函数集(传统的方法;概率论中常用)。 直接方法:直接指定样本空间为数集或函数集 当样本空间为一维实数集合时,则称该一维实变量为随机变量。 当样本空间为一维复数集合时,则称该一维复数变量为复随机变量当样本空间为高维实数空间时,则称该高维实数空间为随机向量当样本空间为定义于某个数集上的函数组成,则称该函数集合为随机过程

在第一章网络图论中已得到KCL、KVL矩阵方程 AI=0、V=ATEn 其中A为降阶关联矩阵,为支路电流列向量,V为支路电压 列向量,E为节点电压列向量

第一章几何空间中的向量 第三节空间坐标系 1、仿射坐标系 2、空间直角坐标系 3、向量运算的坐标表示 4、向量在轴上的投影

一、n维欧氏空间 n维向量空间的概念 所有n个有序实数组x1,x2,xn)的全体称为n维向量空间或简称n维空间其中每个有序实数组称为维空间中的一个向量记作

§3 矩阵的LU分解 ❖矩阵的LU分解 ❖对称矩阵的平方根法 ❖改进的平方根法 ❖解三对角方程组的追赶法 §4.向量和矩阵的范数及方程组的性态 ❖向量范数 ❖矩阵的范数 ❖方程组的性态及矩阵条件数