多源数据融合的表示与学习方法研究

Multi-sources data fusion is one of the most important research directions of this filed. Exploring efficient technology for multi-sources data fusion and making computers work as fast and accurate as human while dealing with multi-source data which will reduce the resource cost, increase the resource utilization and promote the development of human society have become an universal problem. Therefore, this project focuses on the representation and learning problem of multi-sources data fusion, and systematicly study on the new methods of representation and learning of multi-source data fusion, combined with the cognitive complementary mechanism, which called “Model plus Analysis”. This project mainly include: 1) studying the category representation method of multi-source data fusion;2) studying the deep calculation model of multi-source data fusion;3) studying the learning theoretical framework of multi-source data fusion;4) application research: the above content will be applied to a specific multi-source data, namely Medical Image Navigation System for validation. This research results will provide a new technology and method to solve the representation and learning problem of multi-source data fusion. Therefore, this project not only has important theoretical value, but also has a broad application prospect.

多源数据融合是多源数据领域的重要研究方向之一，探索高效的多源数据融合新技术，让计算机像人脑一样实现快速而准确的对多源数据进行处理，实现降低资源成本投入、提升资源利用率、促进人类社会发展已是人们普遍关注的问题。因此，本项目主要围绕多源数据融合的“表示”、“学习”等核心科学问题，结合“模型+分析”的认知互补机理，系统研究多源数据融合的表示与学习新方法，主要包括：（1）研究多源数据融合的范畴表示方法；（2）研究多源数据融合的深度计算模型；（3）研究多源数据融合的学习理论框架；（4）应用研究：将上述内容应用于一种具体的多源数据，即医学图像导航系统进行验证。通过研究产生的成果将为解决多源数据融合的“表示”和“学习”问题提供新技术与新方法。因此，开展该项目研究不仅有重要理论价值，也有广泛的应用前景。

多源数据融合是多源数据领域的重要研究方向之一，已被人工智能、计算机科学、认知科学、生物科学等领域的研究者广泛认可。多源数据已是当下数据来源的主流，在诸多领域得到了广泛应用。如何实现多源数据融合，让计算机像人脑一样快速而准确的对多源数据进行处理则成了人们关注的聚焦点。本项目主要围绕多源数据融合的“表示”、“学习”两个核心科学问题，结合“模型+分析”的认知互补机理，经过4的研究，取得的成绩包括：.1、针对多源数据的“表示”问题，提出了一系列的多源数据融合的表示学习方法。主要包括以下三部分成果：1）利用范畴理论对多源数据融合机理进行表示，提出了范畴表示机器学习方法的基本概念、范畴表示分类算法、范畴表示决策树算法、切片范畴表示主成分分析和支持向量机算法、范畴函子表示深度学习方法等。2）基于李群的理论基础，进一步针对多源数据融合的表示问题进行研究，提出了李群机器学习新方法。3）针对多源数据的动态模糊问题，提出了动态模糊机器学习一系列算法。.2、针对多源数据的“学习”问题，提出了多种多源数据融合的深度计算模型。主要成果包括：基于分析机制的结构化分析鉴别字典学习（ADDL）框架，基于线性嵌入的半监督局部多流形Isomap学习框架，实现癌症分类的快速基因选择，故障诊断框架，多视点特征融合方法，非负自适应多视图聚类方法，双邻接图判别分析方法以及两种视觉印象模型和两种多视图融合表示方法。.3、针对多源数据的“表示”与“学习”问题，提出了多源数据融合的多流形谱嵌入算法，取得了多项成果，包括：基于稀疏字典的李群机器学习算法，基于选择聚类集成的相似流形学习算法，无监督非线性自适应流形学习，基于李群的梯度下降算法，基因选择算法，多流形谱嵌入算法，多李群核覆盖学习算法，一种鲁棒多流形算法等。.4、将机器学习方法和教育理论相融合，提出了多维度协同教育理论与方法。其内容包括：多维度协同教育原理，多维度协同教育空间理论，多维度协同教育的评价，多维度协同教学方法，多维度协同教育理论实践等。.5、在项目实施过程中，发表学术论文56篇（其中期刊论文40篇，会议论文16篇）；出版学术专著3部（其中机器学习学术专著2部、教育专著1部）；学位论文12篇；申请国家发明专利41项；培养博士4名（毕业1名）；培养硕士24名（毕业11名）；参加国际学术会议10人次。

内容获取失败，请点击重试