《異常檢測的方法研究及其在圖像檢索中的套用》是依託河北大學，由邢紅傑擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：異常檢測的方法研究及其在圖像檢索中的套用
- 項目類別：青年科學基金項目
- 項目負責人：邢紅傑
- 依託單位：河北大學
項目摘要,結題摘要,
項目摘要
異常檢測是近年來模式識別和機器學習領域的一個研究熱點，它能夠對其訓練過程中不曾出現的異常數據成功地加以辨識。但是現有的異常檢測模型存在以下缺陷：計算複雜度高，不適於處理大規模數據集；處理高維數據時存在維數災難難題；對正常數據的分布不能很好地進行擬合，所得分類邊界不夠緊緻。本課題旨在克服現有異常檢測模型的上述缺陷並開展實例套用研究，擬解決的主要問題是：1. 提出基於自適應聚類和局部最小包圍球的快速異常檢測模型，在提高分類性能的同時減小模型訓練的時間複雜度；2. 為異常檢測建立基於核方法的非線性特徵提取策略、filter特徵選擇策略及wrapper特徵選擇策略，提高異常檢測模型的訓練效率和解釋能力；3. 提出基於bagging和boosting、基於神經網路及基於聚類集成方法的一類分類器集成，使集成後的模型具有更為緊緻的分類邊界；4. 將上述所提模型方法套用於基於相關反饋技術的圖像檢索。
結題摘要
異常檢測是近年來模式識別和機器學習領域的一個研究熱點，它能夠對其訓練過程中不曾出現的異常數據成功地加以辨識。但是現有的異常檢測模型存在以下缺陷：計算複雜度高，不適於處理大規模數據集；處理高維數據時存在“維數災難”難題；對正常數據的分布不能很好地進行擬合，所得分類邊界不夠緊緻。本課題旨在克服現有異常檢測模型的上述缺陷並開展實例套用研究。完成的主要內容為：1. 提出了基於自適應聚類和局部最小包圍球的異常檢測模型；2. 為異常檢測建立了適用的特徵提取策略，並對現有維數約減方法（包括模糊粗糙集技術、二維特徵提取方法）開展了研究；3. 提出了基於改進AdaBoost和基於相關熵的一類分類器集成，使得集成後的模型具有更為緊緻的分類邊界；4. 結合本研究組和研究工作的特點，對支持向量機、神經網路及主動學習開展了研究；5. 將基於改進AdaBoost的一類分類器集成套用於基於相關反饋技術的圖像檢索。
