《基於神經網路和群體智慧型的稀疏表示算法研究》是依託東南大學，由劉慶山擔任項目負責人的面上項目。
基本介紹
- 中文名：基於神經網路和群體智慧型的稀疏表示算法研究
- 項目類別：面上項目
- 項目負責人：劉慶山
- 依託單位：東南大學
中文摘要,結題摘要,
中文摘要
近年來，隨著壓縮感知理論的發展，稀疏表示方法在信號處理和模式識別的研究中得到越來越廣泛的套用。對於大規模複雜的最佳化問題，尋找快速有效的算法成為當前研究的重點和難點問題。自上個世紀八十年代以來，神經動力學方法在大規模複雜最佳化的計算中得到深入的研究，取得了豐碩的成果。本項目旨在研究基於神經網路和群體智慧型方法的稀疏表示算法，研究內容主要集中在如下四個方面：一、改進和推廣稀疏表示的數學模型，建立相應的數學理論基礎；二、建立求解組合最佳化問題的神經動力學最佳化模型；三、設計基於多智慧型體系統的分散式稀疏表示算法；四、設計基於群體智慧型最佳化方法的稀疏表示算法。本項目將神經動力學最佳化方法與群體智慧型最佳化方法相融合，有望設計出新的稀疏表示算法，並建立相應的理論基礎。本項目的研究工作將促進網路動力學最佳化方法在理論研究和套用領域的發展，並且對於模式識別理論和方法的發展具有重要的理論意義和套用價值。
結題摘要
本項目以申請書的研究內容為基礎，按計畫順利完成了既定目標，取得了相關的研究成果，主要包括如下幾個方面： 1、在理論方面取得了如下創新性成果：(1) 構建了基於投影神經網路的稀疏表示算法，並提出了零到稀疏算法用於約束L1範數的最佳化問題求解，並將其套用於解決模式分類問題。與以往的稀疏算法相比，這種算法對信號的大小具有很強的魯棒性，其收斂速度受信號大小的影響較小，並且該算法可以有效地控制稀疏度的設定以達到快速獲取問題的解；(2) 建立了基於多智慧型體系統的分散式最佳化算法設計方案。我們開創性地建立了求解帶有邊界約束的分散式最佳化問題的二階多智慧型體系統，此方法推廣了多智慧型體系統在分散式最佳化求解中的套用範圍，研究結果得到國際學術界的廣泛關注；(3) 建立了基於群集神經動力學網路的分散式最佳化算法設計方案。通過耦合已有的神經動力學最佳化模型，可以建立相應的連續時間分散式最佳化算法，進而有效地求解大規模複雜最佳化問題。 2、在套用方面取得了如下突破性成果：(1) 建立了用於模式分類問題的投影神經網路模型。通過將稀疏表示問題轉化約束L1範數的最佳化問題，利用最優性條件建立相應的投影神經網路模型，進而設計相應的最佳化求解算法，並將其套用於人臉識別；(2) 研究了基於深度神經網路和複雜網路特徵描述的腦電信號分類問題。通過構建恰當的複雜網路結構，並提取其網路結構特徵，可以提高腦電信號的分類識別率。 3、該項目發表論文25篇，其中IEEE彙刊論文11篇，SCI源刊論文13篇，EI收錄論文11篇。項目實施過程中，項目負責人入選華中科技大學“華中學者”和江蘇省“333工程”培養對象，擔任國際SCI期刊IEEE Transactions on Neural Networks and Learning Systems 、IEEE Transactions on Cybernetics和Neural Networks的編委。項目組成員Tingwen Huang教授2018年當選IEEE會士。
