中文摘要：

多核支持向量机是近年来支持向量机研究的一个重要方向，它能弥补单核支持向量机在应用中存在的一些缺陷，然而时间复杂度过高使得多核支持向量机没有得到更广泛的应用。本课题拟研究多核支持向量机的学习算法和简化方法，降低多核支持向量机的时间复杂度，基本达到在大规模数据集上应用的目的。同时根据云计算环境的特点设计用于云安全的核函数。主要研究内容包括1) 有效实现多核支持向量机的快速学习算法；2) 研究并实现多核支持向量机的简化算法以及稀疏多核支持向量机；3) 提出适用于多核支持向量机的结构化数据核函数，并且根据多核支持向量机的特点提出高效的实现算法；4) 提出用于云安全的核函数，并与多核支持向量机结合起来识别云计算中的攻击。本项目的研究不仅对多核支持向量机的发展具有重要的理论意义，而且对云计算的发展具有一定的应用价值，同时为多核支持向量机在其他领域中的应用提供一定的借鉴作用。

结论摘要：

我们基本按原定计划开展了研究，主要研究多核支持向量机的相关问题，新增了局部支持向量机的研究，并在云入侵检测应用方面做了一些探索性研究工作。一、主要研究内容包括 1、针对多核支持向量机时间复杂度过高的缺点，提出一种缩减训练样本、从而缩减支持向量的方法，从而从数据源头降低了多核支持向量机的时间复杂度，使其能够应用于大数据上，我们将这种方法称为协同聚类。 2、协同聚类与支持向量机的应用范围类似，本质上都是应用于两类分类问题中，为了使得协同聚类能够应用于多类多核学习中，我们还研究了协同聚类在多类问题中的应用。 3、核函数在支持向量机中起着至关重要的作用，如何选择核函数的参数非常关键，多核学习能够解决部分问题。而核极化是另外一种方法，它是通过定义核函数的评估标准来选择参数，但是在样本不均衡问题非常严重时，核极化变得不适用。针对此问题，我们研究了几种核极化的改进，其中，基于协同聚类的核极化能够有效提高核极化的选择性能，从而在多核学习中从另一个角度通过学习得到较优的核函数参数。 4、针对局部支持向量机的一些缺陷，提出了基于协同聚类的局部支持向量机、加权局部支持向量机以及单类局部支持向量机。 5、将结构化数据的核函数引入多核学习中，实现对结构化数据的多核学习算法。 6、将支持向量机应用于云入侵检测中，实现了基于SA—SVDD的入侵检测融合算法。 7、我们还研究了多核学习中置信度的问题，力图提出新的置信度机制，应用于多核学习中。目前此项工作正在进行中。我们的研究主要集中在算法研究上，对于云入侵检测做了一部分探索性研究工作。应该说由于实验条件的不充足，对于云入侵检测的研究还没有做的非常充分。通过本课题对多核支持向量机的研究，有助于将多核支持向量机应用于大数据环境中，从而推广多核支持向量机的应用领域。二、 研究的主要成果包括 1、以项目为依托，在国内外核心期刊和会议上共发表研究论文15篇，其中SCI/SCIE检索期刊论文2篇，EI检索论文7篇（其中国际期刊2篇，国际会议5篇），国内核心期刊6篇（其中有1篇已经在线出版还未见刊）。另外，与项目研究内容直接相关的在审论文或正在撰写的论文2篇。 2、在本课题研究的基础上，承担某核电集团入侵检测项目一项，项目金额58万元。 3、以项目为依托，共培养博士研究生2人，硕士研究生9人。