机器学习中的低秩与稀疏矩阵逼近理论及算法研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号:
    11601506
  • 项目类别:
    青年科学基金项目
  • 资助金额:
    18.0万
  • 负责人:
  • 依托单位:
  • 学科分类:
    A0205.调和分析与逼近论
  • 结题年份:
    2019
  • 批准年份:
    2016
  • 项目状态:
    已结题
  • 起止时间:
    2017-01-01 至2019-12-31

项目摘要

As an important development of sparse representation and compressed sensing, low rank matrix recovery has been viewed as a new effective method of data acquisition and reconstruction. High-dimensional data is often faced with some lost or corrupted with noises or obtained by a linear measurement. How to make use of the structure of the data to recover target matrix, has widely been used in signal processing, pattern recognition, artificial intelligence, and other fields. The research project focuses on the low rank and sparse matrix recovery. To summarize the existing algorithms, we present our low rank and sparse decomposition model based on graph Laplacian, and corresponding algorithm. Combining with the sparse regularized algorithm (e.g. Lasso、Elastic-Net algorithm) in learning theory, we propose the low rank and sparse matrix elastic-net regularization model. For matrix data learning problem, we research the convergence, consistency and learning rates of the matrix recovery algorithm, and analysis the theoretical foundation of these algorithms. We also discuss the inherent relations between matrix recovery and the best rank r approximation. This project belongs to the theory and application of reconstruction algorithms in low rank matrix recovery problem, belongs to the frontier research topic in cross discipline for the applied mathematics and engineering applications. The study is of important theoretical significance and practical value.
作为稀疏表示和压缩感知理论的重要发展,矩阵恢复问题已成为一种新型数据获取与重构的有效方法,高维数据矩阵面临着部分丢失或被污染情形下或通过某种线性运算得到,如何利用数据的结构恢复目标矩阵,逐渐在信号处理、模式识别、人工智能等领域有着广泛的应用。本项目的主要目标是,充分研究和总结目前已有的低秩矩阵恢复算法,构建基于图约束项的低秩与稀疏矩阵逼近重构算法;结合学习理论中的稀疏正则化算法(例如Lasso、Elastic-Net等),提出基于Elastic-Net正则化的低秩与稀疏矩阵逼近算法;针对矩阵型数据学习问题,研究算法的收敛性、相容性以及收敛速度估计,并分析其算法的理论基础;同时探讨矩阵恢复和最佳秩r逼近的内在联系。本项目属于低秩矩阵恢复中重构算法的理论及应用研究,是应用数学和工程应用领域交叉学科中的前沿研究课题,具有一定的理论价值和广泛的应用前景。

结项摘要

本课题研究了稀疏逼近和多核机器学习的相关理论和应用问题。具体内容有,在理论方面,我们提出了基于正则和空间模型的多尺度最小二乘支持向量机算法,得到了算法闭合解;提出了基于正则和空间模型的半监督分布式最小二乘支持向量机算法,降低了算法复杂度;利用覆盖数估计来建立多尺度算法学习率的方法推广到相关取样过程并解决算法有限维优化问题,得到了快速学习率;研究了一组欠定采样的稀疏信号恢复问题的RIP条件,放宽了分析字典学习中基于非凸优化算法的适用范围;提出了基于全变差正则化的自适应SAR图像超分辨率重构算法,设计了分裂Bregman算法框架。在实际应用方面,在光谱数据地物分类、SAR图像处理方面及电离层TEC值去噪方面,得到了一些有意义的研究成果。为函数逼近论和学习理论在实际应用中提供新的研究手段。

项目成果

期刊论文数量(8)
专著数量(0)
科研奖励数量(0)
会议论文数量(3)
专利数量(1)
Sparse signal recovery via non-convex optimization and overcomplete dictionaries
通过非凸优化和超完备字典的稀疏信号恢复
  • DOI:
    10.1142/s0219691318500583
  • 发表时间:
    2018
  • 期刊:
    International Journal of Wavelets, Multiresolution and Information Processing
  • 影响因子:
    --
  • 作者:
    Huang Wei;Liu Lu;Yang Zhuo;Zhao Yao
  • 通讯作者:
    Zhao Yao
A New Analytical Model to Study the Ionospheric Effects on VHF/UHF Wideband SAR Imaging
研究电离层对 VHF/UHF 宽带 SAR 成像影响的新分析模型
  • DOI:
    10.1109/tgrs.2017.2693396
  • 发表时间:
    2017
  • 期刊:
    IEEE Transactions on Geoscience and Remote Sensing
  • 影响因子:
    8.2
  • 作者:
    Wang Cheng;Chen Liang;Liu Lu
  • 通讯作者:
    Liu Lu
Texture image prior for SAR image super resolution based on total variation regularization using split Bregman iteration
基于分裂Bregman迭代全变分正则化的SAR图像超分辨率纹理图像先验
  • DOI:
    10.1080/01431161.2017.1346325
  • 发表时间:
    2017
  • 期刊:
    International Journal of Remote Sensing
  • 影响因子:
    3.4
  • 作者:
    Liu Lu;Huang Wei;Wang Cheng
  • 通讯作者:
    Wang Cheng
Generalization Performance of l1-Coefficient Regularized Regression with Multiscale Kernels Based on Markov Chain Samples
基于马尔可夫链样本的多尺度核l1系数正则回归的泛化性能
  • DOI:
    10.1109/access.2019.2953527
  • 发表时间:
    2019
  • 期刊:
    IEEE Access
  • 影响因子:
    3.9
  • 作者:
    Liu Lu;Liu Bo
  • 通讯作者:
    Liu Bo
Improved TEC retrieval based on spaceborne PolSAR data
基于星载PolSAR数据的改进TEC检索
  • DOI:
    10.1002/2016rs006116
  • 发表时间:
    2017
  • 期刊:
    Radio Science
  • 影响因子:
    1.6
  • 作者:
    Wang Cheng;Liu Lu;Chen Liang;Feng Jian;Zhao Hai-Sheng
  • 通讯作者:
    Zhao Hai-Sheng

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--"}}
  • 发表时间:
    {{ item.publish_year || "--" }}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--"}}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ patent.updateTime }}

其他文献

~(18)F-FDG PET/CT与DWI-MRI判断鼻咽癌放疗后残留/复发价值的Meta分析
  • DOI:
    10.3969/j.issn.1671-8348.2019.12.024
  • 发表时间:
    2019
  • 期刊:
    重庆医学
  • 影响因子:
    --
  • 作者:
    刘丽娟;刘露;苏丹柯;金观桥
  • 通讯作者:
    金观桥
Mean-CVaR 准则下延期支付供应链决策与协调
  • DOI:
    --
  • 发表时间:
    2017
  • 期刊:
    系统工程学报
  • 影响因子:
    --
  • 作者:
    李荣;刘露
  • 通讯作者:
    刘露
NKG2D配体RAE1ε对乳腺癌细胞4T1衍生MDSC功能的影响
  • DOI:
    --
  • 发表时间:
    2017
  • 期刊:
    中国肿瘤生物治疗杂志
  • 影响因子:
    --
  • 作者:
    钱莉;刘阳;叶枫;刘露;王少卿;贾筱琴;傅奕;龚卫娟;田芳
  • 通讯作者:
    田芳
转基因细胞株BaF3-RAE1ε诱导产生的MDSC的杀伤功能及对NK细胞功能的影响
  • DOI:
    --
  • 发表时间:
    2017
  • 期刊:
    中国肿瘤生物治疗杂志
  • 影响因子:
    --
  • 作者:
    钱莉;刘阳;刘露;叶枫;王少卿;贾筱琴;傅奕;龚卫娟;田芳;丁婧娟;徐雨薇
  • 通讯作者:
    徐雨薇
网络外部性市场中竞争性企业技术引进和许可策略研究
  • DOI:
    10.1016/j.epsl.2019.115800
  • 发表时间:
    2020
  • 期刊:
    管理学报
  • 影响因子:
    --
  • 作者:
    陈婷;侯文华;刘露
  • 通讯作者:
    刘露

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--" }}
  • 发表时间:
    {{ item.publish_year || "--"}}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--" }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}
empty
内容获取失败,请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题,我已根据课题信息分析并撰写以下内容,帮您拓宽课题思路:

AI项目思路

AI技术路线图

相似国自然基金

{{ item.name }}
  • 批准号:
    {{ item.ratify_no }}
  • 批准年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号:
    {{ item.ratify_no }}
  • 财政年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目:调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要:

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题,其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子,其表达水平对抗病毒防御至关重要。然而,TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用,影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法,探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用,为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义,并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路:

科学问题:TRIM2如何调控A型流感病毒诱导的IFN-β表达?
前期研究:已有研究表明TRIM2参与抗病毒反应,但其具体机制尚不明确。
研究创新点:本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线:包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术:TRIM2与病毒RNA的相互作用分析,IFN-β启动子活性检测。
实验模型:使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
      
关闭
close
客服二维码