《多目標低秩非參核學習模型與最佳化方法研究》是依託中國礦業大學，由周勇擔任項目負責人的面上項目。
基本介紹
- 中文名：多目標低秩非參核學習模型與最佳化方法研究
- 項目類別：面上項目
- 項目負責人：周勇
- 依託單位：中國礦業大學
項目摘要,結題摘要,
項目摘要
傳統的非參核學習方法僅局限於單目標最佳化，不能同時兼顧算法的泛化性能和可擴展性，對存在多個彼此衝突目標無法提供Pareto最優解，同時，模型大多對高維數據敏感。此外，現有單目標非參核學習模型的稀疏性研究主要關注核矩陣的低秩約束，而忽視了如何確定秩的最優解。針對上述問題，本項目擬結合非參核維數約簡模型，提出具有高維數據處理能力的多目標低秩非參核學習模型和最佳化算法，以克服現有方法的不足。主要研究內容如下：（1）研究半監督非線性維數約簡與單目標低秩非參核學習融合方法，推導出統一的最佳化目標函式；（2）構建約束多目標半監督低秩非參核學習模型，並進行有監督和無監督拓展；（3）提出面向約束多目標低秩非參核的微粒群最佳化算法；（4）將提出的模型和算法套用於視覺目標跟蹤，進一步提升目標跟蹤算法的性能。通過本項目的研究，我們將為非參核學習理論提供一些新的最佳化模型、新的學習算法以及在視覺目標跟蹤上的套用。
結題摘要
非參核學習直接利用核矩陣隱式定義的非線性映射，將原始數據空間中的向量映射到高維特徵空間，然後在高維特徵空間中根據不同的準則建立相應的模型。近年來非參核學習已成為核學習問題的主要解決思路。為了增強現有的非參核學習方法處理高維數據的能力，解決算法的泛化性能和可擴展性兩者之間的衝突。本項目圍繞高維數據維數高、非線性、小樣本等挑戰，利用機器學習、模式識別和深度學習等多學科交叉的理論和方法，以維數約簡、稀疏表示、深度學習等方法為基礎，研究高維數據多目標非參核學習方法的新理論和新方法，使其能夠有效的支持遙感圖像分類、文本分類、語義關係和事件觸發詞抽取等任務。在非參核學習建模和模型最佳化算法的基礎上，重點針對非參核學習方法與深度學習算法融合模型進行深入研究，包括循環神經網路與非參核學習方法融合模型和卷積神經網路與非參核學習方法的融合模型等。同時使用現實世界的高維標準數據集對非參核學習框架和算法進行實驗驗證。
