多重集典型相關分析的特徵抽取理論及擴展研究

《多重集典型相關分析的特徵抽取理論及擴展研究》是依託南京理工大學，由孫權森擔任項目負責人的面上項目。

基本介紹

• 中文名：多重集典型相關分析的特徵抽取理論及擴展研究
• 項目類別：面上項目
• 項目負責人：孫權森
• 依託單位：南京理工大學

項目摘要

特徵抽取是模式識別的基本問題，也是模式識別領域的研究熱點。本項目以多表示數據的特徵抽取與融合為研究對象，以多重集典型相關分析、分數維及稀疏表示的前沿思想為出發點，集中解決與實際套用密切相關的多組特徵抽取理論及其相關技術，探索有關前沿理論在多重集典型相關分析中的合理推廣與拓展，從而突破其中的關鍵理論與技術，構建一套行之有效的多組特徵抽取與融合的理論框架。本項目擬開展如下研究工作：（1）引入監督信息、核技術以及局部化思想，深化研究多重集典型相關分析的理論及多組特徵抽取技術；（2）基於分數維的思想，開展分數維（多重集）典型相關分析理論框架的構建與套用研究；（3）以多組字典的共同學習和特徵的多稀疏表示為主要研究內容，深入開展稀疏多重集典型相關分析的理論研究。本項目對於推動多表示數據的特徵抽取與融合技術的研究具有重要的理論與實際意義。

結題摘要

多表示數據的特徵抽取與識別問題是模式識別領域的研究熱點。本項目以多重集典型相關分析、分數維及稀疏表示的前沿思想為出發點，探索有關前沿理論在多重集典型相關分析中的合理推廣與拓展，突破其中的關鍵技術，豐富和完善了多重集典型相關分析在多組特徵抽取與融合中的理論體系，取得了豐碩的研究成果。完成的創新工作如下： （1）通過引入監督信息、核技術以及局部化思想，建立新的相關度量準則函式等技術手段，構建了多重集典型相關分析的拓展模型及其算法，豐富了多重集典型相關分析的理論體系、特徵抽取理論與方法（撰寫了20餘篇研究論文，其中發表了包括IEEE Transactions on Neural Networks and Learning Systems(TNNLS)、Pattern Recognition(PR)等SCI論文8篇，EI論文2篇，國際會議論文3篇）。 部分重要的研究成果包括：基於全局保持投影的多重集典型相關分析框架；圖正則化多重集典型相關分析；核傳播典型相關分析；拉普拉斯多重集典型相關分析；組間一致的協同判別多重集相關投影；基於直和多核策略的多重集典型相關分析算法；廣義模糊典型相關分析算法等。 （2）突破整數維空間思想的限制，提出並建立了分數維（多重集）典型相關分析的理論體系，拓寬了多表示數據特徵抽取與融合的理論研究與套用範圍，為模式識別的特徵抽取理論提供一個嶄新的研究方向與思路（撰寫了6篇研究論文，其中已發表了包括PR、Neurocomputing等SCI論文4篇）。 部分重要的研究成果包括：構建了分數階嵌入（多重集）典型相關分析理論框架；引入監督機制的廣義典型相關分析和判別典型相關分析；分數階的正交多重集典型相關分析模型；分數階嵌入的直接線性鑑別分析理論與算法等。 （3）發展並完善多組特徵間字典的學習與關聯模型，建立多重集典型相關分析與稀疏表示相統一的理論框架，深入開展稀疏識別理論與稀疏多重集典型相關分析理論的研究，為多表示數據的稀疏特徵抽取及套用提供重要的理論支撐（撰寫了14篇研究論文，其中已發表了包括IEEE Transaction on Image Processing(TIP)、PR、Neurocomputing等SCI論文11篇，國際會議論文1篇）。 部分重要的研究成果包括：稀疏判別的多重集典型相關分析；基於標籤傳播的半監督典型相關分析算法；多核稀疏表示的鑑別