当前位置: 首页 > 科技成果列表 > 科技成果详细

面向高维非结构化数据的模式识别与机器智能

技术类型:非专利

技术成熟度:-

转让方式:-

应用领域:通用仪器仪表制造

技术领域:网络应用技术

交易价格:面议专利价值评估

应用案例:否

了解与分析本科技成果,可查看成果概况并使用以下技术转移数智化应用工具:
成果概况
简介

本项目属信息科学中模式识别与智能系统的前沿研究领域。

近年来,生物信息学、情报与安全数据分析、医学图像处理、优化决策等相关学科领域的迅速发展,带来了大量针对复杂高维数据的分析、处理和优化控制问题。这些数据具有非结构化特点,即不能用有限规则完全表征与刻画,且不能在可接受时间内进行处理,因此对模式识别与机器智能的理论创新研究也提出了新的挑战。

这些挑战问题主要涉及高维非结构化数据的自动特征提取与表示、分类识别、序贯优化决策等关键理论课题。

针对上述问题,本项目在国家杰出青年科学基金和多个国家自然科学基金的资助下,在如下三个方面取得重要研究成果:

  1. 高维非结构化数据的特征提取与表示:

    • 研究了编码蛋白质序列的混合特征提取方法,提出基于氨基酸索引的蛋白质亚细胞定位特征提取新方法,获得了高于已有方法的蛋白质亚细胞定位预测精度。
    • 在序列图像分析的独立成分分析(ICA)方法方面取得重要研究进展,提出与统计参数映射(SPM)相结合的方法,克服了SPM现有设计方法需要预先假设模型的缺点。
    • 解决了ICA研究领域著名的“1-比特匹配猜想”问题。提出了一种基于形状特征与迭代松弛的手撕文档碎片全局拼接复原算法,研究成果以长文在顶级刊物IEEE T-PAMI杂志上发表,获国防专利授权1项。
    • 提出二维局部保持投影的新算法2DLPP,并且成功应用于人脸与掌纹识别中。
  2. 高维非结构化数据的分类与检测:

    • 提出中心最近邻的模式分类新方法,提高了最近邻算法的分类精度,并且应用于蛋白质数据的分类问题中。
    • 研究了面向图像数据分析的模糊神经网络理论和算法,提出了一种新的基于模糊细胞神经网络(FCNN)的白细胞检测算法NDA,并且获得了成功应用,显示了新方法的优越性。
    • 提出了高级的模糊细胞神经网络(AFCNN),将AFCNN用于医学图像分割,实验结果表明了高级的模糊细胞神经网络(AFCNN)的有效性。
  3. 基于高维特征基函数的序贯优化决策:

    • 针对连续空间的序贯优化决策问题,提出了采用高维特征基函数的在线递推最小二乘时域差值(TD)学习算法与快速自适应启发评价算法FastAHC,在降低计算复杂性的同时,有效提高了增强学习算法的收敛特性和学习效率。
    • 提出基于核的近似策略迭代算法,通过在策略评价中引入具有稀疏化特性的核函数方法,提高了学习算法的泛化性能,在非线性系统学习控制问题中显示了该方法的有效性。

在2001年1月至2008年1月期间,共出版学术著作2部,发表学术论文120篇,其中55篇论文被SCI收录。其中10篇代表性论文刊登在IEEE Transactions on Pattern Analysis and Machine Intelligence,IEEE Transactions on Neural Networks,IEEE Transactions on Fuzzy Systems,AI in Medicine,FEBS Letters等国际权威期刊上,SCI他引103次。

反映本项目研究成果处于国际同类研究先进水平,并且在蛋白质分类预测、医学图像处理、人脸与掌纹识别以及文档情报碎片拼接等领域得到应用验证。

(此文字表达经过AI优化完善,查看原文请点击 原文)
成果评价分析
技术应用分析
服务案例
Baidu
map