《基於模型檢測的非確定性機率模型學習》是依託四川大學，由毛華擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於模型檢測的非確定性機率模型學習
- 項目類別：青年科學基金項目
- 項目負責人：毛華
- 依託單位：四川大學
項目摘要,結題摘要,
項目摘要
隨著計算機系統在日常生活中占據日益重要的地位，系統運行的正確性和可靠性也變得尤其重要。模型檢測技術，將傳統的形式化驗證方法自動化，通過對系統描述模型中相關性質的自動驗證來分析系統的可靠性。機率模型檢測將模型檢測技術與機率論相結合，能夠量化地描述目標系統的隨機行為，分析系統的隨機性質，是模型檢測領域一個新興的研究方向。為目標系統構造一個正確的系統模型是一個複雜繁重且極易出錯的過程，被工業界視為將模型檢測技術更大範圍套用的桎梏。本項目研究內容包括：提出基於模型檢測的非確定性系統描述模型及其學習算法；研究算法收斂性與機率模型檢測中系統性質收斂性；提出基於模型軌跡機率分布的距離對學習結果進行評價。最終本項目將建立一個機率模型建模平台，為機率模型檢測提供高質量的系統描述模型。
結題摘要
隨著計算機系統在日常生活中占據日益重要的地位，系統運行的正確性和可靠性也變得尤其重要。模型檢測技術，將傳統的形式化驗證方法自動化，通過對系統描述模型中相關性質的自動驗證來分析系統的可靠性。機率模型檢測將模型檢測技術與機率論相結合，能夠量化地描述目標系統的隨機行為，分析系統的隨機性質，是模型檢測領域一個新興的研究方向。為目標系統構造一個正確的系統模型是一個複雜繁重且極易出錯的過程，被工業界視為將模型檢測技術更大範圍套用的桎梏。本項目對模型學習算法以及相關收斂性問題進行了研究，提出了一個確定性模型的統一學習框架，並證明學習算法的收斂性。關於所學模型，主要研究與原始系統在軌跡性質方面的相似性，並提出來了相應的距離函式定量地描述相似性程度。本項目將研究範圍擴展到了深度學習領域。首先提出了具有非對稱結構的AE（UnsymmetricAuto-Encoder, UAE)模型，較傳統的AE模型而言，所提出的UAE可以學習到更多更有效的物體特徵，更一步的我們分析了UAE模型的梯度消失問題。其次，我們在AE模型的代價函式中顯示地加入了一個具有引導性的項來幫助AE模型學習有意義的物體特徵。對於AE模型，本項目進一步將其套用到了蛋白質二級結構預測問題中。針對細胞種類多樣性、形狀不規則性和高密度性等特點，採用深度學習領域的另一種典型網路模型，Convolutional Neural Network（CNN）模型和粒子濾波技術對細胞進行有絲分裂檢測和細胞跟蹤。項目發表SCI論文8篇，會議論文1篇，申請專利6項。
