机器学习
目前本方向人员所做工作的主要内容、特色和可能取得的突破:
主要研究内容:
本方向研究内容主要有以下几方面:
(1)神经计算。对细胞神经网络的动力学特性进行了研究,给出了三个细胞元CNNs的动力学特性—平衡点的存在区域以及稳定平衡点存在的充分必要条件,以及如何简单地获得平衡点的坐标的方法。研究ANN与模糊系统的结合,给出了模糊综合评判及模糊控制器的ANN实现方法。对竞争学习神经网络的学习算法作了改进,提出用有监督竞争学习神经网络作为汉字识别分类器。从神经网络理论及常规算法分析入手,将网络平行移植法与逆动态模型法相结合,研究复杂系统的网络控制模型的结构确定方法。
(2)支持向量机。核函数研究。对常用的几个基本核函数展开研究的基础上,进一步研究了自适应核函数:自适应核是对高斯核参数的一种自适应调整方法,通过对训练样本数据的反复的计算,而最后得到与该组样本最为适合的核参数;混合核:混合核函数可以发挥各基本核函数的综合优势,与单一核函数SVM相比性能有明显提高;修正核:依据数据集及最大分类间隔来修正核参数以构造数据集相关核,以提高支持向量机的性能。应用研究。将支持向量机应用于手写体汉字识别,指纹识别,水产品质量安全预警,烟草销售预测等。
研究特色:
模型研究:通过对基本模型的研究,运用新理论、新方法,构造具有更好学习与适应性的模型。应用研究:将理论研究成果直接应用于模式识别、事件预测及智能控制领域。
可能取得的突破:
神经计算方面:将以神经生理学的最新研究成果为依托,从生物神经网络处理信息的内在机理上进一步研究学习、记忆的神经网络机制以及高级认知行为的计算模型,并将该理论成果应用于模式识别、智能控制等领域。
支持向量机方面:进一步探索SVM的性能与核函数之间的关系, 找出规律, 给出设计、选择核函数的一系列指导原则; 给出基于数据集的核函数/参数设计方法,得到更好的分类、事件预测模型。预期可在本专业权威期刊发表2~4篇研究论文,并在研究成果的校企联合产业化方面取得突破。
团队负责人:
团队成员:
姓 名 | 出生年月 | 最后学位 或学历 |
专 业 技术职务 |
目前指导 研究生数 |
在研经 费总数 (万元) |
孙立民 | 1960.1 | 博 士 | 教 授 | 3 | 20 |
武秀川 | 1957.2 | 博 士 | 教 授 | 1 | 0 |
肖 明 | 1957.08 | 硕 士 | 教 授 | 0 | 0 |
张艳洁 | 1975.11 | 博 士 | 讲 师 | 0 | 3 |