中文摘要：

复杂对象的信息通常以高维数据表示，给信息处理的许多环节造成了的困难，尤其不利于深入的认知。本研究中借鉴人的认知过程，提出一种使用子模式模型来刻画复杂对象并在此基础上获得对其理解和认知的方法。子模式是一种参数化的数据空间划分方法，子模式的类型根据划分方式的不同来确定。子模式描述了个体对象数据之间的局部相关性，在复杂对象中这种局部相关性可以使用相应的相似性测度来度量。首先在少量样本之中获得子模式集合，将对象用子模式重新表示，这种表示可以在不同粒度下，或者采用层次化的方式完成，以满足各种应用中的具体要求。利用所形成的参数化、结构化的对象模型进行进一步的知识发现和模式识别。使用子模式表示复杂对象的目标是在保证一定精度的前提下达到简洁描述的效果，提供了对象的一个高阶抽象，从信息抽象的角度探讨人的认知机理在知识发现和模式识别中的应用。

结论摘要：

复杂对象指的是由大量相互关联的个体构成数据集合，或由高维异构数据组成的个体，它们广泛存在于物联网、移动互联网中，包含了传统的数据、文本、图像及音视频多媒体等载体。对复杂对象的理解和认知在web智能、大数据、模式识别和机器智能等领域中有着重要意义和广泛应用。针对现有的研究中采用采样和降维的方式处理海量高维数据时使用单一的对象模型而忽略了对象内部的结构信息和对象之间的相关性的问题，提出了一种基于子模式的复杂对象建模方法，扩展了相似度的度量方法，研究了子模式的检测与表示，并以此为基础运用机器学习的方法完成认知的任务。子模式描述的是由一组自治个体或描述个体的数据构成的具有一定语义的子集，同一个子模式中的元素比不同子模式中的元素更相似。所提出的相似度度量将一般的基于距离的数据对的相似度扩展到元素之间的结构相似度和子集内所有元素的相似度。在一些与行为相关的应用中，发现个体与个体之间的关系比分析描述个体的数据更有价值。由于图提供了一种表示对象和对象之间关联的模型，在分析结构相似度时，通过度量图中结点与结点之间的结构相似度，可以得到一种对图中结点的聚类方法，而不同聚类则代表了语义不同的子模式。与此不同，一些由数值数据描述的对象中包含了具有基础语义的组成部分，检测出这些组成部分并使用这些子模式得出高阶的抽象对象模型可以简化下一步的机器学习过程。假定同一子模式中的数据位于一个流形之上，在数据空间中子模式内的数据需要同时满足连续性和曲率组成的相似性要求；而这种相似性由集合中的多个元素而非一对元素来定义；本研究中运用演化博弈论的方法检测并分割不同的流形。除了明确地使用子模式建模，还研究了隐式子模式的表示方法。当子模式过多或者难以检测，可以引入隐变量来表达子模式的作用。通过对子模式分布的假设，即给定隐变量的先验知识，可以把带子模式的问题转化为一个最大后验估计的问题，进而使用优化方法求解。此外，在模型的应用中，还研究了图的匹配算法，提出了一种使用带环的信任传播算法的图匹配方法，以及一种分布式的基于非线性动态系统的二部图的最大权匹配方法。研究成果在图像、文本、数据库、生物信息学、动态系统、网络协议识别、基于接受信号强度的室内定位等具体问题中得到应用，取得了有说服力的实验结果，共发表论文12篇，获得软件著作权一项。本研究是对拓展机器智能中的认知方法，丰富复杂对象建模工具和算法的一个尝试。