在许多实际应用中, 数据往往在球面上采集,人们试图寻找“机器结构”的泛函模型来“处理”、“分析”、“生产”所收集到的数据,从中获取所需的“知识”。而基于数据的机器学习是当前信息处理中的重要技术并已成为信息科学的研究热点之一。本项目围绕这一目标,对球面上学习机器的构造、学习的理论与算法等核心问题展开深入、系统的研究。我们汲取并发展球调和分析、函数逼近等某些重要的理论与方法,创造性地建立球面神经网络、支持向量机等学习机器的一般构造方法,多角度、着重研究了球面学习速率估计的理论与方法,构建球面学习的理论及算法。本项研究的完成不但为诸多实际问题的解决提供理论与方法,而且将发展、丰富学习理论,乃至球调和分析、球面函数逼近的理论,进一步推动交叉学科的发展。本项研究发表论文47篇,其中被SCI检索24篇,EI检索14篇,组织国际学术会议 “International Symposium on Extreme Learning Machines” 一次。课题组共参加国际学术会议6人次,邀请国内专家作学术报告8人次,招收硕士研究生14名,毕业硕士研究生9名。
英文主题词Machine learning; Classification of data; Approximation; Sphere