基于核学习的大型复杂数据挖掘理论与方法研究

Big size of complex data mining has a wide application. The accurate prediction of failure and rapid detection and identification of failure to improve system reliability, reduce accident hazards. How to extract useful information from a large number of seemingly chaotic data as a basis for fault diagnosis has been a hot research field of data mining problems. Large and complex data mining is widespread non-linearity, uncertainty, structural features and multi-source problem, this project applies kernel learning into classification,clustering, time series prediction and uncertain problem, this project proposes kernel adaptive learning and the kernel structure is adatpive to input data distribution. This method improves the performance of classification and clustering. This project proposes adaptive kernel regression method and applies to complex time seriers prediction and to improve prediction accuracy. This project construct the test platform of kernel learning based large scale of data minging, and to create evaluation scheme and standard of kernel learning based comprehensive data mining.

大型复杂数据挖掘应用前景广阔，准确预报故障以及快速检测和识别故障是提高系统可靠性、减少事故危害的关键问题。如何从大量杂乱无章数据中抽取出有用信息并作为状态的依据，一直是数据挖掘领域的研究热点问题。目前大型复杂数据挖掘广泛存在非线性、不确定性、结构特性和多源性等问题，本项目研究更适合大型复杂数据特点的数据挖掘新方法、新技术。针对大型复杂数据所具备的特点进行相应的研究工作，将核学习思想用于大型复杂数据的分类、聚类、时间序列预测以及不确定问题，提出了核自适应学习的思想，核结构自适应于输入数据分布，有效提升大型复杂数据分类和聚类的性能；提出了自适应核递归方法并将其用于复杂时间序列的预测，提升时间序列的预测精度；搭建了基于核学习的大型数据挖掘验证平台，建立核学习的综合数据评价体系与标准。

本项目按照任务书要求和时间节点，针对大型复杂数据挖掘广泛存在非线性、不确定性、结构特性和多源性等问题，研究了更适合大型复杂数据特点的数据挖掘新方法、新技术。本项目针对大型复杂数据所具备的特点进行相应的研究工作。具体研究成果如下，将核学习思想用于大型复杂数据的分类、聚类、时间序列预测以及不确定问题，提出了核结构自适应于输入数据分布的核自适应学习算法，有效提升大型复杂数据分类和聚类的性能；提出了自适应核递归方法并将其用于复杂时间序列的预测，提升时间序列的预测精度；搭建了基于核学习的大型数据挖掘验证平台，建立核学习的综合数据评价体系与标准，在遥感大数据、红外图像大数据集上进行了综合测试算法，算法在遥感大数据分析系统及数据分析方面得到了重要应用，对飞机、桥梁典型目标识别中，获得95%的识别正确率。. 依托项目发表论文23篇，其中SCI检索期刊论文17篇，EI会议论文6篇，培养研究生11人，获得省部级奖励1项，主办国际会议16次，作大会特邀报告2次。. 该项目成果对未来的准确预报故障以及快速检测和识别故障是提高系统可靠性、减少事故危害等方面具有重要的实际价值，并对大量杂乱无章数据中抽取出有用信息及有效解决目前大型复杂数据挖掘广泛存在非线性、不确定性、结构特性和多源性等问题具有重要理论价值。