半监督聚类及其应用研究

半监督学习是近年来机器学习研究的一个热点，可分为半监督分类和半监督聚类。本项目旨在原有工作基础上，针对其中尚不成熟的半监督聚类从理论分析、算法设计和实际应用三个层次进行研究。首先，从理论上给出半监督聚类可学习性应满足的条件。其次，分别从不同的角度设计出四种新型半监督聚类算法：①针对有噪声标记或约束情形给出一种对标记噪声鲁棒的半监督聚类算法；②利用核方法，构建出一类适于发现样本集非线性结构的基于核方法的半监督聚类算法；③提出一种基于集成技术的半监督聚类算法；④提出一种能同时利用多种监督信息的半监督聚类算法。最后，将上述算法应用到医学图像的分割。通过本项目的研究不仅能在半监督聚类理论与算法上有所贡献，还可望取得实际的应用成果。