面向特徵提取與理解的稀疏投影學習理論與算法研究

《面向特徵提取與理解的稀疏投影學習理論與算法研究》是依託哈爾濱工業大學，由賴志輝擔任項目負責人的青年科學基金項目。

基本介紹

• 中文名：面向特徵提取與理解的稀疏投影學習理論與算法研究
• 依託單位：哈爾濱工業大學
• 項目類別：青年科學基金項目
• 項目負責人：賴志輝

項目摘要

感知並提取蘊含在高維數據中的關鍵特徵變數對模式的識別與理解起著至關重要的作用。稀疏特徵提取為感知、提取關鍵特徵、提升模式識別能力開闢了一個全新的研究方向，但其理論與方法存在一系列尚未解決的問題。我們將構建基於極大邊界準則、基於流形學習及基於圖譜分析的稀疏特徵提取理論與算法，力圖建立全新的稀疏特徵提取理論與算法框架來解決當前稀疏特徵提取中存在的問題。本項目的特色是將人類感知圖像的稀疏性機理與特徵提取的研究結合起來，把稀疏性約束作用於投影向量上，以獲取具有強鑑別力的稀疏投影（子空間）。本項目的順利開展將豐富和發展鑑別分析、特徵提取的理論體系，為高維模式關鍵特徵（即物理變數、因子等）的感知、理解、提取提供綜合的理論分析與算法基礎，為採集和提取關鍵特徵、提升模式識別的能力起著重要的指導作用。研究成果在圖像識別、基因表達數據分析、病理分析、金融信息處理等領域都有非常重要的套用價值。

結題摘要

如何感知並提取蘊含在高維數據中的關鍵特徵變數對模式的識別與理解起著至關重要的作用。本項目構建了基於極大邊界準則、基於流形學習及基於圖譜分析的稀疏特徵提取理論與算法框架，並償試了把相關方法拓展為更廣義的形式，即我們給出了任意階數的稀疏高階張量特徵提取理論與方法,提出了多線稀疏主成份分析、多線性稀疏鑑別分析等方法。此外還初步探索了基於L2，1範數的稀疏特徵提取理論與方法。本項目主要創新在於把稀疏性約束作用於投影向量上，以獲取具有強鑑別力的稀疏投影（子空間）,並同時分析相關方法的理論聯繫，保證在拓展中的有效性。本項目的研究成果豐富和發展了鑑別分析、特徵提取的理論體系，特別是在稀疏鑑別分析理論、稀疏高階張量學習理論方面取得了顯著進展，為高階/高維模式關鍵特徵（即物理變數、因子等）的感知、理解、提取提供了綜合的理論分析與算法基礎。大量的仿真實驗證明了該系列方法在圖像特徵提取與識別方面能取得更好的結果，在基因表達數據分析等方面有更合理的解釋並取得較高的數據分類與預測能力。在本項目資助下共發表了18篇學術論文，其中有12篇發表在IEEE Transactions系列國際權威雜誌上。在項目研究中我們也發現如何提升算法的魯棒性是未來值得進一步研究的問題。