基于分类超曲面的覆盖分类算法与理论研究

基于分类超曲面的覆盖分类算法与理论研究在模式分类领域有重要的学术价值和应用前景。本项目在理论上研究基于分类超曲面的覆盖分类算法(简称HSC分类算法)的计算复杂性，包括时间复杂性，空间复杂性和样本复杂性；研究HSC分类算法相关的函数空间的覆盖数与分类精度的关系，用于指导分类；研究样本数量与分类精度之间的关系用于指导采样；研究划分尺度与分类精度的关系，提高泛化能力；研究HSC分类法的层数设置与分布密度的关系，找出HSC分类算法学习一致性的条件与分类算法的收敛条件；研究变尺度获得的超曲面序列逼近最优超曲面问题。在算法方面，针对海量、高维、多类、非线性可分数据，以及稀疏数据，提高HSC分类算法的适应性和分类性能。拟通过变尺度HSC分类算法，提高对稀疏数据的分类能力；通过维变换和维组合优化高维数据分类法；通过分布式分类实现对海量数据分类。在系统研制方面,提供一个高效、准确的分类原型系统。