《面向綜合力學環境預測的回歸多任務學習研究》是依託河南師範大學，由毛文濤擔任項目負責人的聯合基金項目。
基本介紹
- 中文名：面向綜合力學環境預測的回歸多任務學習研究
- 項目類別：聯合基金項目
- 項目負責人：毛文濤
- 依託單位：河南師範大學
項目摘要,結題摘要,
項目摘要
為降低工程代價和風險，綜合力學環境預測期望從試驗數據對複雜力學環境進行預測，已成為航空航天、機械製造等複雜工業領域的關鍵工程環節。然而，如何從少量試驗數據對複雜力學環境進行準確而魯棒的預測依然是困擾該行業的難點。為解決該問題，與以往對單體力學對象進行測試和建模的方法不同，本項目擬採用多個相似（而不是相同）力學對象進行輔助建模，著重對回歸多任務學習理論和算法進行研究。首先，本項目擬引入覆蓋數理論，建立回歸多任務學習泛化誤差界及其與任務樣本數、目標/輔助任務樣本數比值的函式關係。在此基礎上，針對不同需求，本項目擬採用多輸出支持向量機作為基礎算法，構建新的回歸多任務學習算法和相應的模型選擇方法，並提出一種新的任務聚類算法和不對稱多任務學習算法。最後，將建立圓柱殼力學環境試驗系統，對上述算法的實際效果進行評價。研究成果可有效提高對複雜力學環境預測的精度和數值穩定性，具有重要的理論和工程意義。
結題摘要
從機器學習理論角度分析，綜合力學環境預測是一個低維小樣本的回歸建模問題，可利用相似任務的信息提高整體建模效果。對回歸多任務學習理論和算法的研究與改進，可有效提高該問題的預測精度和數值穩定性。本項目從以下三方面進行了研究：（1）研究了回歸多任務學習泛化誤差界的理論表示，從兩個角度構建了泛化誤差估計方法與模型選擇算法；（2）針對不同的任務間結構特性，以多輸出支持向量機和極限學習機為基礎算法形式，提出了多種具體的結構化多任務學習和任務聚類算法，並對其訓練過程、參數選擇等進行了最佳化；（3）構建了一系列基於多任務學習和多輸入多輸出回歸的綜合力學環境預測方法，在圓柱殼振動系統上驗證了該類預示方法的有效性，並搭建了軟體原型系統。基於上述工作，本項目取得了一批有價值的研究成果，發表論文19篇，其中SCI檢索7篇、EI檢索期刊論文3篇、權威會議論文2篇，及軟體著作權4項。培養碩士研究生7人，其中1人獲校級優秀碩士學位論文。該項目屬於機器學習與力學領域的交叉研究，其成果對多任務學習的理論研究及在工業領域的套用研究均具有重要的參考價值。
