《協同學習模式下流數據的聚類與預測聯合實現方法研究》是依託西安電子科技大學，由孫建成擔任項目負責人的面上項目。
基本介紹
- 中文名：協同學習模式下流數據的聚類與預測聯合實現方法研究
- 項目類別：面上項目
- 項目負責人：孫建成
- 依託單位：西安電子科技大學
中文摘要,結題摘要,
中文摘要
流數據是廣泛存在的一種數據形式，而聚類與預測則是流數據挖掘領域的重要研究內容。針對流數據的複雜性，借鑑生態系統中生物的協作與競爭機制，提出了協同學習模式下流數據聚類與預測聯合實現的新方法。由於考慮了數據間的耦合關係以及聯合實現了聚類與預測，因此該方法能夠準確地捕獲和刻畫流數據的內蘊規律，並提高聚類與預測方法的性能。主要研究內容包括：以數據的耦合關係為基礎，在分立與合作的原則下，研究流數據動態表達網路的構建方法，從而建立流數據的協同機制；研究隱馬爾科夫模型與動態表達網路的關係，給出其結構和參數的線上學習方法，在協同機制的基礎上構建動態變結構的隱馬爾科夫模型，為流數據的協同挖掘提供一個普適的模型；提出以動態表達網路作為共享的計算資源結構，並以動態變結構隱馬爾科夫模型為基礎，研究流數據的線上聚類與預測的聯合實現。本項目的研究有望為流數據的挖掘提供新的思路和新的方法。
結題摘要
流數據是廣泛存在的一種數據形式，明確其聚類結構以及演化機制對於揭示流數據的動態性以及複雜性具有重要的意義。本項目針對流數據的複雜性，提出了在複雜網路背景下研究流數據的聚類以及預測的新方法，可以為流數據以及時間序列分析提供了一個新的框架。由於複雜網路可以從實體相互作用的角度重新表達和刻畫流數據，因此該方法能夠更加準確的捕獲和理解流數據的內蘊機制和規律。具體的研究內容包括：通過相空間重構與實體提取，並結合相似性度量，給出流數據的複雜網路重構方法；基於平穩小波分解，給出了時間序列的多尺度複雜網路重構方法；提出了一種基於修改核函式的分類改進算法，提高了分類性能，該方法可套用於複雜網路的鏈路預測；複雜網路的單元功能往往呈現層次結構，基於這一特性，提出了複雜網路聚類的一種新方法；基於最小二乘支持向量機，提出了一種時間序列的非線性行為的學習及建模方法；針對節點聚類和社團結構的關係，基於核矩陣最大特徵值對應的特徵向量, 提出了一種新的中心性方法；提出了靜態以及動態網路中特殊結構的發現和挖掘方法，其中包括網路中的模體以及動態網路中的顯著子結構；針對流數據預測和動態網路拓撲結構的對應關係，提出了一種動態網路拓撲結構的預測方法。本項目的研究成果有望為流數據的分析提供新的思路和理論依據。就上述內容，本項目取得了一系列重要成果，共發表學術論文16篇，其中10篇被SCI收錄，9篇被EI收錄，另外培養了2名青年教師和4名研究生。
