數據內在結構和稀疏保持的大間隔分類方法研究

《數據內在結構和稀疏保持的大間隔分類方法研究》是依託江蘇大學，由苟建平擔任項目負責人的青年科學基金項目。

基本介紹

• 中文名：數據內在結構和稀疏保持的大間隔分類方法研究
• 項目類別：青年科學基金項目
• 項目負責人：苟建平
• 依託單位：江蘇大學

項目摘要

基於稀疏表示的模式分類是機器學習領域的研究熱點。隨著稀疏表示套用範圍的拓展，面對大量新出現的具有複雜結構特徵的高維數據分析問題，傳統的稀疏表示分類器與稀疏子空間學習在其準確性、魯棒性和泛化能力問題上均面臨著新的挑戰。本項目擬從數據內在結構著手，基於大間隔學習思想，研究數據內在結構和稀疏保持的大間隔分類新方法，旨在提高算法在複雜數據結構下的準確性、魯棒性、泛化能力，進而增強數據表示能力和判別能力。主要研究內容包括：數據內在結構保持的大間隔稀疏表示分類器；數據內在結構保持的大間隔稀疏子空間學習；基於大間隔的數據內在結構和稀疏保持的降維過程與分類器的同步學習。通過本項目的研究，預期獲得適應數據結構特徵的稀疏表示分類與降維新理論與方法，為推動稀疏表示的發展和套用，以及大數據分析提供新的理論支撐。

結題摘要

基於稀疏表示的模式分類是機器學習和模式識別領域的研究熱點。隨著稀疏表示套用範圍的拓展，面對大量新出現的具有複雜結構特徵的高維數據分析問題，傳統的稀疏表示分類器與稀疏子空間學習在其準確性、魯棒性和泛化能力問題上均面臨著新的挑戰。本項目從數據內在結構著手，圍繞基於稀疏表示的分類和特徵提取算法在複雜數據結構下的準確性、魯棒性、泛化能力問題展開研究。主要研究內容包括：數據內在結構保持的表示分類算法；數據內在結構保持的子空間學習算法；基於表示的近鄰特徵分類算法。在數據內在結構保持的表示分類研究方面，結合數據內在結構特徵，基於稀疏表示、協作表示和深度學習，提出了若干可以增強數據表示能力和判別能力的表示分類新理論與方法。在數據內在結構保持的子空間學習研究方面，基於稀疏表示、圖嵌入和降維技術，提出了若干反映數據結構特徵的子空間學習新理論與方法。在基於表示的近鄰特徵分類研究方面，基於近鄰特徵分類和稀疏表示，充分考慮近鄰域數據結構信息，提出了若干基於表示的魯棒近鄰分類新理論與方法。本項目的研究為適應複雜數據結構特徵模式分類問題提供了新理論與方法，為推動稀疏表示的發展和套用，以及大數據智慧型分析提供了新的理論支撐。