当前位置: 主页> 学科建设> 科学研究

科研方向一:智能计算与数据挖掘

发布时间: 2017-02-07 13:07 访问人数: 1856

1.求解昂贵计算优化问题的智能计算技术

(1)基于Memetic的超限学习机研究

针对超限学习机中随机选择网络参数造成算法性能影响的问题,提出一种基于文化基因算法的超限学习机改进算法(Memetic Algorithm (MA)-based Extreme Learning Machine,简称M-ELM)。M-ELM算法将局部搜索策略嵌入到全局优化算法框架中,以获取最佳的网络权值参数。

(2)基于演化算法的多示例学习算法研究

为了解决示例类标的模糊问题,基于示例选择的多示例学习算法将多示例中的包学习转换成了传统的向量学习。然而,现有的基于示例选择的多示例学习算法均是基于包中的示例进行学习的。在这种情况下,未能出现在原始示例空间中,且具有潜在有效信息的示例则会被丢弃掉。在本文中,我们提出一种新颖的学习方法,演化示例选择的多示例学习算法,(Multiple-Instance Learning with Evolutionary Instance Selection,简称MILEIS),来自适应地选择具有有效信息的示例进行特征映射。独特的演化搜索机制(包括示例初始化,变异和交叉)确保了MILEIS可以根据数据的特征为模型找到最合适的示例进行特征映射。通过这种做法,MILEIS充分利用了这些具有创造性信息的示例来准确地促进多示例学习中的特征映射过程。


2.大规模空间数据的表示、预测和提取的空间数据挖掘和知识发现技术

主要进展和创新:

(1)首次提出了多项式朴素贝叶斯文本分类模型的结构扩展方法,设计了一种既可以避免贝叶斯网络结构学习又可以表达属性依赖关系的多项式朴素贝叶斯模型;

(2)将属性加权问题的转化为属性选择问题,提出了深度特征加权的朴素贝叶斯模型,克服了传统属性加权过滤方法的低性能问题;

(3)分别利用属性加权、属性选择、抽样等技术,提出了2种改进的朴素贝叶斯文本分类模型,很好地提高了现有朴素贝叶斯文本分类模型的分类精度;

(4)首次将属性的测试代价融入朴素贝叶斯的属性选择过程中,提出了测试代价敏感的朴素贝叶斯网络模型,为测试代价敏感的贝叶斯学习提供了新方法和新途径;

(5)针对传统的产生式学习方法的不足,提出了一种判别模型选择的新方法,实验结果验证了所提新方法的有效性,应邀参加2016年度国际人工神经网络会议并获得了国际学生旅费奖;

(6)首次利用噪音过滤的方法对众包学习中的集成标记进行噪音处理,提升了众包数据和学习模型的质量。


027-67883716 地址:湖北省武汉市洪山区鲁磨路388号北一楼2楼 E-mail:jsjb@cug.edu.cn 邮编:430074