《基於非凸目標函式的稀疏學習及其在醫療診斷中的套用》是依託華東師範大學，由沈超敏擔任項目負責人的面上項目。
基本介紹
- 中文名：基於非凸目標函式的稀疏學習及其在醫療診斷中的套用
- 項目類別：面上項目
- 項目負責人：沈超敏
- 依託單位：華東師範大學
項目摘要,結題摘要,
項目摘要
稀疏學習是一類機器學習方法，它相對於一般機器學習算法，還額外要求問題的解有一定的稀疏性。稀疏學習方法在理論上符合科學基本原則中的簡約(parsimony)原則，在實踐中已在模式識別、生物數據處理等方面得到廣泛套用。但其求解因涉及到0-範數，難度為NP hard。目前的求解方法是在一定條件下(如RIP條件)求其等價(如1-範數)或近似解。本項目將運用稀疏表示、壓縮感知和最佳化等手段，發展出一套新的針對非凸目標函式的稀疏學習的求解算法。其創新在於：將含有0-範數的極值問題轉換成等價的矩陣秩的極值問題，然後運用矩陣算法求解；或轉換為截斷的1-範數的極值問題，採用DC(凸函式之差)規劃求解。預計，本項目的結果在解的性質、精度和速度等方面總體而言將優於當前各主要的稀疏學習算法。初步實驗表明，該套算法能成功套用於老年痴呆症的關鍵病情指標分析和病情發展預測。本項目的最終成果將為稀疏學習提供新的思路和途徑。
結題摘要
本項目針對非凸目標函式的稀疏學習問題，運用了稀疏表示、壓縮感知、最佳化和深度學習等手段，發展了一整套新的求解算法，並成功用於醫療診斷等領域。我們認真開展了相關的科學研究工作，嚴格執行了項目的研究計畫，完成了研究任務，實現了預期研究目標，取得了原創性成果。具體地，我們 1、運用低秩正則的方法，將含有0-範數的極值問題轉換成等價的矩陣秩的極值問題，然後運用矩陣算法快速求解，成功地將圖像的超解析度重構問題轉化為稀疏學習問題，在解的理論和實際效果中都有所突破；2、結合遷移學習和模糊邏輯系統，構造出非凸目標函式，提出了相應的稀疏學習算法，成功解決了腦電圖中癲癇信號的識別問題；3、運用深度學習算法，集圖像處理和深度學習為一體，使用圖像處理的相關技術對圖像進行預處理和特徵提取，然後將提取的特徵作為深度學習模型的輸入，成功研製了乳腺癌醫療圖像診斷系統；4、 運用梯度提升決策樹和Logistic回歸方法, 利用氣象大數據, 實現了航班變更的成功預測. 我們還在骨科局部膝關節置換的手術導航方面，運用了特徵提取方法，成功進行了圖像特徵提取，為手術導航的配準提供了有力技術支持。本項目的科學意義在於給出了非凸目標函式的稀疏學習的理論模型，將待求解的稀疏模型轉化為可求解的形式，給出了快速求解方法，並拓展了稀疏學習在醫學診斷等領域的套用。本項目的最終成果為稀疏學習提供了新的思路和途徑。
