粒度支持向量机学习方法及应用研究

支持向量机是当今机器学习领域的一个研究热点，已在许多领域得到成功的应用，但仍存在泛化能力需提高、对大规模数据集处理能力差及应用领域受局限等问题。本项目将针对这些问题，以支持向量机和粒度计算理论为基础，开展新的支持向量机学习模型- - 粒度支持向量机的学习方法及应用研究，主要内容包括：（1）粒度支持向量机的学习机制；（2）支持向量机的粒度空间构建方法；（3）粒度支持向量机的学习算法；（4）粒度支持向量机在集成学习、增量学习及多示例多标记学习中的拓展；（5）粒度支持向量机在非平衡数据处理及图像处理中的应用。本项研究是对支持向量机学习方法与应用的全新尝试，其成果不仅可以有效地解决支持向量机在海量数据挖掘和实时在线学习中的可用性问题，而且可以进一步拓展支持向量机的应用领域，同时可以在一定程度上解决支持向量机的核函数或参数选择这一最基本也最困难的问题。

本项目针对支持向量机学习中存在的泛化能力需提高、对大规模数据处理能力差及应用领域受局限等问题，以支持向量机和粒度计算理论为基础，开展新的支持向量机学习模型——粒度支持向量机的学习方法及应用研究。项目组完成的主要工作包括：（1）在支持向量机学习框架下，研究了粒度支持向量机的学习机制、数据的粒化与核映射的融合以及基于信息粒的支持向量机聚合方法。研究成果构建了支持向量机与粒度计算有效融合的完整框架，提出了全新的粒度支持向量机学习模型。（2）研究了粒度空间构建方法，结合尺度空间理论、主成分分析及核映射等方法设计了多种粒度空间的构建方法，建立了符合数据分布特点的粒度划分衡量体系。（3）系统研究了粒度支持向量机的学习本质，分析了传统粒度支持向量机模型存在的不足，并结合增量学习、主动学习等其他机器学习技术，提出了多种改进的粒度支持向量机学习算法，显著提高了支持向量机的泛化能力和学习效率。（4）将粒度支持向量机拓展到一些机器学习的热点研究领域如集成学习、增量学习、多示例多标记学习等，可有效处理多分类、非平衡、大规模、高维等复杂数据。（5）将所提出的多种粒度支持向量机学习算法应用于图像分割、垃圾邮件过滤、文本分类、蛋白质互作用关系预测、三维建模等领域，取得了较好的应用效果。. 项目实施期间，共发表（录用）论文21篇，出版专著1部，获软件著作权登记7项；研究成果“基于VR-GIS的数字旅游信息系统”被山西省科技厅鉴定为国内领先水平；培养博士研究生6名，硕士研究生7名。总之，项目整体执行情况良好，全面完成了项目的研究任务，实现了预期的目标。

内容获取失败，请点击重试