支持向量机(SVM)这种通用机器学习方法具有坚实的理论基础和好的推广性能、强大的非线性和高维处理能力,近来其研究热点和难点是核函数的模型参数选择。多核学习方法将是解决参数选择问题的有效方法之一,它通过研究基本核矩阵集合中的多个核矩阵组合或混合出最优核矩阵,来进行模型参数选择。本项目在自然(青年)科学基金的资助下,集中对该问题展开研究,研究成果表现在以下方面①研究核函数的局部性质,包括度量性质、分析性质,提出研究核函数参数的最优化问题,给多核学习提供了理论依据;②研究训练SVM的快速算法,包括光滑、半光滑及几何算法;③研究多核学习过程中派生出的特殊极大极小问题;④针对多核、大规模数据研究半监督学习问题;⑤为了克服过学习,研究结合Boost算法改进SVM类算法性能;⑥其他应用领域的研究,包括图像索引、多处理器拓扑机构可靠性、元搜索引擎算法等方面,以推动本项目成果的应用。发表与项目直接相关论文25篇,其中SCI收录12篇,EI收录19篇,ISTP收录3篇,其余发表在国家核心期刊上。其中标注基金资助共17篇,其中SCI收录5篇,EI收录11篇,ISTP收录2篇。超项目资助计划书预期目标。
英文主题词Support vector machine; Multiple kernel learning; Fast algorthm; Semi-supervised learning problem; Semi-smoothing algorithm