图正则化字典对学习的轻度认知功能障碍预测

针对字典对学习（DPL）方法只考虑了同类子字典的重构误差和不同类表示系数的稀疏性,没有考虑图像间的几何近邻拓扑关系的问题。通过近邻保持使得在同类近邻投影系数之间的距离较小,而不同类投影系数之间的距离大,能够有效提高字典对学习算法的分类性能,基于此提出了基于几何近邻拓扑关系的图正则化的字典对学习（GDPL）算法。在ADNI1数据集上对轻度认知功能障碍预测的实验表明,使用GDPL算法学习的编码系数作为特征预测的准确率（ACC）和ROC曲线下的面积（AUC）比使用结合生物标志作为特征预测的准确率提高了2%~6%,使用GDPL算法比DPL算法的实验结果也有提高。