基于支持向量机的快速多分类算法的设计与分析

多分类问题的快速智能算法的设计与分析是现代机器学习和模式识别领域的核心研究课题，本项目利用支持向量机训练算法模型来发展一套针对多分类问题的算法理论与技术，并获得相关的应用结果。将获得解决经典的多分类算法的不可分区域问题的算法模型；提出针对多分类问题特点的自适应特征提取方法；给出确定最优样本集的产生机制的核函数选择标准，得到衡量学习模型推广能力的准则；设计出对数据分布不敏感的高效多分类算法，探索建立关于空间、区域、向量的关系，尤其是对应的非线性映射构造，以得到稳定的多分类算法精度，从而提高多分类的效率并兼顾分类的精度。同时获得应用这些多分类算法于相关的实例和国际通用的公开问题及算法测试集中。这些研究将探索和发展快速多分类算法的设计与分析的研究，为研究以支持向量机为代表的机器学习算法开拓新的理论。

多分类问题的快速智能算法的设计与分析是现代机器学习和模式识别领域的核心研究课题。本项目在现有基于核方法的多分类算法的基础上，针对现有多分类研究中的不可分区域、复杂优化问题的快速求解、多分类结果的可解释性等问题开展了深入研究，获得一批相关的理论及应用结果。具体来说：1）我们针对多分类研究中的噪声问题、不可分区域问题问题等，提出了多种自适应的特征抽取及分类算法，如半监督特征选择、模糊分类、迭代去噪方法等策略，并结合最新的张量学习理论进行了理论的扩展和应用，相关成果在图像分类、文本情感色彩识别等领域获得了良好的应用效果。2）针对多分类中的优化问题的快速求解难题，我们改进了传统的最优化问题求解方法，并结合仿生算法等工具提出了一系列加速的优化算法，在多分类过程中涉及的半正定优化、非凸优化等问题的应用上，获得了良好的应用效果。3）在结果的多分类结果的解释性方面，我们结合最新的因果关系理论对多分类算法的可解释性方法进行了研究，初步建立了对多分类结果的解释理论及方法。相关研究共发表论43篇，其中SCI论文10篇，二区以上杂志4篇，一区以上会议论文3篇；获得著名国际会议PAKDD优秀论文奖1项；申请国家发明专利2项；培养硕士研究生9人，达到了本项目预期目标，并获得了国内外同行的认可。研究成果极大促进了高噪声、大数据样本下的多分类问题的研究，拓展了多分类算法理论，相关的快速解法以及结果的解释性理论提升了相关算法在实际应用中的价值。