知識驅動的支持向量機理論、算法與套用研究

《知識驅動的支持向量機理論、算法與套用研究》是依託中國科學院大學，由田英傑擔任項目負責人的面上項目。

基本介紹

• 中文名：知識驅動的支持向量機理論、算法與套用研究
• 項目類別：面上項目
• 項目負責人：田英傑
• 依託單位：中國科學院大學

項目摘要

本項目主要研究數據挖掘中的最最佳化方法- - -支持向量機的新理論、新算法及其套用。我們將從最最佳化理論與方法的角度，研究知識驅動的支持向量機，主要包括三個方面：一是近年來機器學習領域的研究熱點：非平行超平面支持向量機，與標準的支持向量機相比，該方法更靈活，推廣能力更強。我們將研究其統計學習理論基礎，大規模最佳化問題的高效求解方法，以及其拓展的最佳化模型與方法等；二是基於先驗知識的支持向量機，研究如何將某些套用領域的專家經驗或知識與SVM結合，尋求更加有效的最最佳化模型和方法；三是基於支持向量機的知識提取，研究如何使支持向量機這一黑箱模型透明化，學習結果規則化與知識化，特別是尋求和建立相應的最最佳化模型和方法。這三方面以非平行超平面支持向量機理論與算法為基礎，把知識與支持向量機有機地結合在一起。關於套用，我們將利用上述理論研究成果，以國內某商業銀行的信用卡客戶數據為基礎，進行信用卡流失分析方面的研究。

結題摘要

本項目主要研究數據挖掘中的最最佳化方法---支持向量機的新理論、新算法及其套用。我們從最最佳化理論與方法的角度，研究了知識驅動的支持向量機，主要包括三個方面：一是近年來機器學習領域的研究熱點：非平行超平面支持向量機，與標準的支持向量機相比，該方法更靈活，推廣能力更強。我們研究其統計學習理論基礎，大規模最佳化問題的高效求解方法，以及其拓展的最佳化模型與方法等；二是基於先驗知識的支持向量機，研究如何將某些套用領域的專家經驗或知識與SVM結合，尋求更加有效的最最佳化模型和方法；三是基於支持向量機的知識提取，研究如何使支持向量機這一“黑箱”模型透明化，學習結果規則化與知識化，特別是尋求和建立相應的最最佳化模型和方法。這三方面以非平行超平面支持向量機理論與算法為基礎，把知識與支持向量機有機地結合在一起。關於套用，我們利用上述理論研究成果，以國內某商業銀行的信用卡客戶數據為基礎，進行信用卡流失分析方面的研究。該項目取得了一系列有價值的成果，拓展了SVM與最最佳化的理論與套用研究。 在本項目的支持下，共出版專著1部，發表文章47篇，其中國內外期刊論文41篇，國際會議論文6 篇。被SCI檢索23篇，EI檢索8篇。開發處理大規模問題的非平行支持向量機程式一套。