中文摘要：

本项目提出主动式机器学习这一新的概念。主动式机器学习是指具有认知能力、协作能力或信息挖掘能力的智能化机器学习方法。有了这一概念，认知无线电、协同通信和数据挖掘等具有上述特征的机器学习问题，均可以归纳到主动式机器学习范畴之中，可以在同一个体系下进行研究。本项目将分别围绕着聚类挖掘、认知无线电和协同通信中的关键问题进行研究（1）在聚类挖掘方面，设计更为有效地进化算法，发展更高效的适用于海量信息处理的进化聚类挖掘算法；（2）在认知无线电方面，发展新的盲频谱检测算法，并对其性能进行分析，分析合作感知在控制信道存在差错时的性能损失情况，并提出其性能改进方法；（3）将协同通信和认知无线电相结合，提出一种新的模型，研究该模型下如何进行功率分配，以使认知网络的吞吐量最大化。上述研究一方面将解决聚类挖掘和认知无线电中实际存在的有关重要问题；另一方面，也将为我们更进一步探索和发展主动式机器学习理论打下基础。

结论摘要：

本项目在主动式机器学习的框架下，以协同通信、认知无线电和多光谱图像分析为主要应用背景，重点研究了主动式机器学习的有关理论、方法及应用，取得了一批创新成果。本项目围绕协同学习取得的主要研究成果有提出了MIMO广播信道中使用线性预编码（波束成形）的多用户速率分配方法，多天线中继窃听信道中的稳健中继波束成形技术，协作多小区MIMO-OFDMA 系统中的两个速率优化算法，协同波束成形的性能分析与最优节点配置，基于并行接入信道(PAC) 和多址接入信道(MAC)的多用户协作感知算法，基于放大前传中继的协作频谱共享算法。针对认知机器学习，取得了下列研究成果提出了基于OFDMA的中继宽带认知无线电网络中的联合资源分配方法，认知无线电网络中基于中继的MIMO广播信道速率优化方法，认知无线电网络中具有时频偏移的OFDM信号检测算法，认知 MIMO 系统的低复杂度预编码算法。在具有数据挖掘能力的机器学习中，提出了利用广义相对光谱响应和成比例注入原则实现多光谱图像分辨率增强的技术。反映本项目研究成果的学术论文已经在国际期刊上发表10篇全部被SCI收录，其中发表在IEEE Transactions on Communications上长文和短文各1篇，IEEE Transactions on Wireless Communications 长文2篇，IEEE Transactions on Signal Processing 长文1篇，IEEE Transactions on Vehicular Technology 和IEEE Geoscience and Remote Sensing Letter 短文各1篇，中国科学英文版长文1篇。此外，有3篇论文已经被 SCI 收录的国际期刊录用，其中IEEE Transactions on Vehicular Technology 长文1篇，另有4篇论文在国际会议上发表。已有4名博士研究生通过本项目取得博士学位，3名研究生获得硕士学位，另有3名博士生研究生在读。