《提高支持向量機處理複雜數據效能的方法研究》是依託山西大學，由王文劍擔任項目負責人的面上項目。
基本介紹
- 中文名：提高支持向量機處理複雜數據效能的方法研究
- 項目類別：面上項目
- 項目負責人：王文劍
- 依託單位：山西大學
項目摘要,結題摘要,
項目摘要
支持向量機（SVM）作為一種通用有效的機器學習方法，在許多領域得到成功的套用，但隨著所處理問題的數據規模日趨增大、數據表示和結構的日趨複雜，SVM的學習效率和泛化能力受到極大制約，進而限制了它的進一步套用。本項目將系統研究提高SVM處理複雜數據效能的方法，主要內容包括：（1）基於半參數的SVM核函式構造方法。（2）SVM與粒度計算理論的深度融合，包括學習問題的重構和訓練後超平面的幾何分析與調整。（3）SVM框架下的高效降維算法，建立基於SVM的線性PCA和非線性PCA的線性規劃求解機制和算法。（4）非結構化數據中語義特徵函式的構造方法及結構化SVM的學習機理。（5）模型及環境參數相關的學習算法評價方法。（6）研製一個基於SVM的複雜數據處理平台。本項目研究成果將豐富和完善SVM的理論和算法研究、拓展其套用領域，對大規模複雜數據處理的研究有重要的理論意義和套用價值。
結題摘要
支持向量機作為一種通用有效的機器學習方法，在許多領域得到成功的套用，但隨著所處理問題的數據規模日趨增大、數據表示和結構的日趨複雜，支持向量機的學習效率和泛化能力受到極大制約，進而限制了它的進一步套用。本項目系統研究了提高處理複雜數據效能的方法，已完成的主要內容包括：（1）設計了基於半參數的支持向量機核函式構造方法。（2）研究了支持向量機與粒度計算、主動學習等理論、模型的深度融合，包括學習問題的重構和訓練後超平面的幾何分析與調整、模式類別的挖掘及信息提取等。（3）設計了高效的支持向量機框架下的複雜數據挖掘算法，設計了面向非平衡、多類別、大規模複雜數據的高效支持向量機算法，以及基於決策樹、隨機森林的高效支持向量機分類算法。（4）研究了非結構化數據中語義特徵函式的構造方法及結構化SVM的學習機理，以及高效支持向量機方法在文本分類、圖像分割、目標檢測提取中的深入套用。（5）深入探索了模型及環境參數相關的支持向量機學習算法評價體系。（6）構建了面向複雜數據處理的支持向量機學習平台。本項目研究成果豐富和完善了支持向量機的理論和算法研究、拓展了支持向量機的套用領域，對大規模複雜數據處理的研究有重要的理論意義和套用價值。 項目實施期間，完成的成果“基於粒計算的數據建模理論與方法研究”榮獲山西省自然科學一等獎1項（排名第4），以第一（或通訊）作者身份發表（錄用）學術論文44篇（其中SCI收錄9篇），以第一作者身份出版專著1部，以第一（或通訊）參與人獲軟體著作權登記8項；培養博士研究生11名，碩士研究生27名。總之，項目整體執行情況良好，全面完成了項目研究任務，實現了預期的目標。
