对一系列高维学习算法的理论研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    11001247
  • 项目类别：
    青年科学基金项目
  • 资助金额：
    16.0万
  • 负责人：
    向道红
  • 依托单位：
    浙江师范大学
  • 学科分类：
    A0205.调和分析与逼近论
  • 结题年份：
    2013
  • 批准年份：
    2010
  • 项目状态：
    已结题
  • 起止时间：
    2011-01-01 至2013-12-31

项目摘要

随着大型计算与信息技术的飞速发展，在诸如基因序列分析，互联网文件排序以及图像处理等领域中我们越来越多地面对如何分析和处理高维海量数据的巨大挑战。在学习理论中也相应地产生了一系列新的研究课题，比如数据降维，特征提取，流形学习以及算法的稀疏性等。本项目的目标是研究由伸缩算子所产生的一系列学习算法。把伸缩算子引进到学习理论中的目的在于当伸缩参数变化的时候，我们通过不同频率的成分学习函数的特征和数据的多尺度结构。这个想法在小波分析中已经用于信号处理和图像压缩。主要工具是径向基函数以及再生核希尔伯特空间。这一系列算法涵盖分类，最小二乘回归(least square regression)，分位数回归（quantile regression），聚类(clustering)等问题。因此我们相信我们的研究将在生物信息，特征提取，金融等方面有着重要的应用，同时亦可完善机器学习的理论体系。

结项摘要

始于支持向量机的学习理论中有很多学习算法可以归结为由伸缩算子所产生的。当伸缩参数变化时，我们可以通过不同频率的成分学习数据间潜在的函数关系和数据的多尺度结构。本项目利用逼近论的方法对这一系列学习算法的渐近性质进行深入的理论研究。主要包括：研究伸缩算子在logistic损失函数所生成的分类学习算法中的应用；分析假设空间基于变尺度高斯核生成的再生核希尔伯特空间的条件分位数回归算法；结合条件分位数回归中pinball损失函数的特点，研究由变尺度不敏感损失函数所生成的支持向量回归算法，揭示变尺度不敏感损失函数对算法设计所起的重要作用；利用优化方法研究系数正则化算法的逼近性质。本项目的研究不仅有助于提高人们对现有算法的理解，并为设计新的学习算法提供线索。

项目成果

期刊论文数量（17）
专著数量（0）
科研奖励数量（0）
会议论文数量（0）
专利数量（0）
Bound the learning rates with generalized gradients
用广义梯度限制学习率
  • DOI：
    --
  • 发表时间：
    2012
  • 期刊：
    WSEAS Transactions on Signal Processing
  • 影响因子：
    --
  • 作者：
    B. H. Sheng;D. H. Xiang
  • 通讯作者：
    D. H. Xiang
Learning with varying insensitive loss
学习不同的不敏感损失
  • DOI：
    10.1016/j.aml.2011.06.007
  • 发表时间：
    2011-12
  • 期刊：
    Applied Mathematics Letters
  • 影响因子：
    3.7
  • 作者：
    Xiang Dao-Hong;Hu Ting;Zhou Ding-Xuan
  • 通讯作者：
    Zhou Ding-Xuan
The distance between feature subspaces of kernel canonical correlation analysis
核典型相关分析的特征子空间之间的距离
  • DOI：
    10.1016/j.mcm.2012.10.008
  • 发表时间：
    2013-02
  • 期刊：
    Mathematical and Computer Modelling
  • 影响因子：
    --
  • 作者：
    J. Cai
  • 通讯作者：
    J. Cai
Online learning for quantile regression and support vector regression
分位数回归和支持向量回归的在线学习
  • DOI：
    10.1016/j.jspi.2012.06.010
  • 发表时间：
    2012-12
  • 期刊：
    Journal of Statistical Planning and Inference
  • 影响因子：
    0.9
  • 作者：
    Hu Ting;Xiang Dao-Hong;Zhou Ding-Xuan
  • 通讯作者：
    Zhou Ding-Xuan
Logistic classification with varying Gaussians
不同高斯的 Logistic 分类
  • DOI：
    10.1016/j.camwa.2010.11.016
  • 发表时间：
    2011
  • 期刊：
    Computers & Mathematics with Applications
  • 影响因子：
    --
  • 作者：
    Xiang, Dao-Hong
  • 通讯作者：
    Xiang, Dao-Hong

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

基于特征图切分的轻量级卷积神经网络
  • DOI：
    10.16451/j.cnki.issn1003-6059.201903005
  • 发表时间：
    2019
  • 期刊：
    模式识别与人工智能
  • 影响因子：
    --
  • 作者：
    张雨丰;郑忠龙;刘华文;向道红;何小卫;李知菲;何依然;KHODJAAbdErraouf
  • 通讯作者：
    KHODJAAbdErraouf
A construction of multiresolution Analysis on interval
区间多分辨率分析的构建
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    Acta Math Sinica
  • 影响因子：
    --
  • 作者：
    陈迪荣;向道红
  • 通讯作者：
    向道红
Consistency of multicategory SVM
多类别SVM的一致性
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    Adv. In Comput. Math.
  • 影响因子：
    --
  • 作者：
    陈迪荣;向道红
  • 通讯作者：
    向道红

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

向道红的其他基金

半监督流形学习的数学理论
  • 批准号：
    11871438
  • 批准年份：
    2018
  • 资助金额：
    54.0 万元
  • 项目类别：
    面上项目
信息论学习中的正则化及相关高维数据分析方法的数学理论
  • 批准号：
    11471292
  • 批准年份：
    2014
  • 资助金额：
    80.0 万元
  • 项目类别：
    面上项目

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