不确定信息处理中的最优化方法

支持向量机是当今机器学习领域的一个研究热点，已在许多应用领域显示出其独特的优势并取得了令人满意的效果。但标准的支持向量机要求给定的训练点是确定的，而我们在求解实际问题的过程中经常会遇到大量的不确定、不完备信息，如何从这些不确定、不完备的信息中去学习，是本项目研究的主要内容，包括（1）如何从这些不确定、不完备的信息中，通过粗糙集理论进行属性约减，选择对分类起重要作用的特征，从而降低训练样本的维数和噪音的干扰；（2）如何建立有效的支持向量机分类算法，构建不确定支持向量机模型，推广现有支持向量机的适用范围；(3) 如何构建半监督支持向量机模型，完善半监督支持向量学习机的理论。在建立以及求解模型的过程中，充分利用二阶锥规划、半定规划以及随机理论的优势，力求理论上的创新和算法的有效性。总之本项目将以图像处理为主要应用背景，建立相应的特征选择和分类算法，逐渐丰富和完善支持向量机模型和最优化理论。