基于稀疏张量模式方法的改进及其在认知功能上的应用研究-电路与系统专业论文.docxVIP

万方数据 万方数据 西安电子科技大学 学位论文独创性声明 秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在 导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标 注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成 果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的 材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说 明并表示了谢意。 申请学位论文与资料若有不实之处，本人承担一切法律责任。 本人签名： 日 期： 西安电子科技大学 关于论文使用授权的说明 本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研 究生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。学校有权 保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分 内容，可以允许采用影印、缩印或其它复制手段保存论文。同时本人保证，毕业 后结合学位论文研究课题再撰写的文章一律署名单位为西安电子科技大学。（保密 的论文在解密后遵守此规定） 本学位论文属于保密，在 年解密后适用本授权书。 本人签名： 导师签名： 日 期： 日 期： 摘 要 认知神经科学的研究是为了揭示大脑的认知原理，而通过功能磁共振成像技 术可以比较直观的观测出大脑在受到外界刺激时脑功能的变化。机器学习方法能 够从脑活动记录的图像数据中提取大脑完成特定任务的有效信息，为探索大脑的 奥秘奠定基础。 大脑核磁共振数据本质上是四维的张量数据，传统的算法在处理之前都是先 将其展开为一维的向量数据，这样不仅破坏了数据的内在结构与潜在信息，而且 也给后续的研究带来了麻烦。为了克服向量化数据所带来的缺点，本文提出了一 种新的基于张量模式的稀疏非负张量分解 (Sparse Nonnegative Tensor Factorization，SNTF)算法用以分析和处理核磁共振图像，同时结合支持向量机 (Support Vector Machine)的特点，完成对大脑特定视觉的认知状态的判定。SNTF 是一种大规模张量低秩近似表示技术，能从大规模、复杂的数据(如 fMRI 数据) 中寻求数据的潜在特征信息，同时 l1 范数正则化和非负性的约束使得它分解的特 征矩阵和结果张量的数值都是稀疏、非负的。这不仅提高了运算效率，减少了运 算量，且数据符合真实的物理属性(可解释性强、局部特征明显等)，模型符合人 们对于客观世界的认识规律。 本文采用基于稀疏非负张量模式的机器学习方法，先对大脑核磁数据进行分 析处理，把 fMRI 预处理后的认知数据当成一个大张量，从张量的层面上构建高 阶非负张量模型，然后对 fMRI 认知数据每个维度上进行特征降维，从而得到维 度较小的稀疏、非负的特征张量，最后结合支持向量机的特点，有效地实现了大 脑特定视觉认知状态的分类判定。实验结果表明，与 TUCKER、PARAFAC 算法 相比，SNTF 算法表现出较高的降维效率；与 NMF 相比，SNTF 提取的特征具有 较强的稀疏表现。在分类判定中，SNTF+SVM 方法表现出较好的分类识别效果。 关键词：fMRI 稀疏编码 特征提取 非负张量分解 支持向量机 Abstract The study of Cognitive Neuroscience is to uncover the cognitity principle of the brain. Functional magnetic resonance imaging is one of the most effective means in the study of brain science. The means of Machine study is the most effective ways in the study of the brain which can get effective information from the primitive photograph, taken as the basic in exploring the secret of the brain. Brain magnetic resonance data is essentially a four-dimensional tensor data. In the face of high-dimensional data, we typically represent them as one-dimensional vectors, which not only destroys the inner structure and the potential in