《稀疏支持向量機的理論、算法及套用研究》是依託中國農業大學，由譚俊艷擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：稀疏支持向量機的理論、算法及套用研究
- 依託單位：中國農業大學
- 項目負責人：譚俊艷
- 項目類別：青年科學基金項目
項目摘要,結題摘要,
項目摘要
支持向量機方法是藉助於最最佳化方法解決機器學習問題的有力工具，已經被成功地套用到數據挖掘的許多領域。近年來， 出現了若干基於不同範數的支持向量機，特別是能夠同時實現分類與特徵選擇的帶有不同範數正則項的稀疏支持向量機模型由於在解決高維小樣本數據分類問題具有明顯優勢成為支持向量機方法中新的研究熱點之一。針對當前稀疏支持向量機研究中存在不足，本課題開展帶有可調節p-範數和組範數正則項支持向量機研究，在此基礎上建立簡單有效的算法使之適應分類、多示例學習、多標籤學習及正類-無標籤學習中的大規模問題的套用需要；開展p-範數和組範數稀疏支持向量機的理論與方法的研究。本課題的研究成果能夠豐富數據挖掘理論和方法，推動最最佳化和支持向量機方法的發展，有利於解決生物信息學中的致病基因選擇問題,具有重要的科學意義和實用價值。
結題摘要
維數約減問題是機器學習中的熱點問題之一，我們主要以支持向量機為基本工具研究有監督及部分監督學習中的特徵選擇問題以及無監督學習的降維問題。對於有監督、半監督以及正類-無標籤學習問題，我們提出了一系列能夠同時實現分類與特徵選擇的帶有可調節範數以及帶有流形正則項的稀疏支持向量機模型。此外，項目組成員依據各模型自身的特點，分別設計了快速有效的求解算法，使運算時間大大縮短並使得我們提出的新算法能夠套用於大規模問題。針對圖像分類的數據特點，我們將支持向量分類機推廣到了支持張量分類機。已發表論文9篇，其中SCI檢索4篇，EI檢索5篇。
