基于调节网络和分布式学习的大数据多目标聚类方法研究

This proposal focuses on the key techniques of big data clustering in determining clustering criterion，measuring the attributes of high dimensional data and lowing time complexity. Firstly, clustering is regarded as a multi-objective optimization problem and the multi-objective optimization framework is adopted to this problem, which can strengthen the robustness and universality of clustering methods. Secondly, with reference to neral regulation mechanism, this proposal aims to construct a regulation network model with the abilities of noise tolerance, generalization and keeping memory. In order to solve the structure characteristic of high dimension and complexity in regulation network, distributed cooperative learning will be introduced into multi-objective optimization to optimize network structure and parameters followed by high-efficiency learning. Thirdly, multiobjective clustering algorithm based on regulation network and distributed cooperative learning model will be proposed. Meanwhile, the critical issues which lie in resolving complicated distribution and large sample data clustering will be analyzed and solved, such as the design of the construction of multiobjective learning framework, the design of distributed cooperative learning strategy and clustering validity criteria, and the analysis of computational complexity. Finally, the availability and scalability of the proposed method will be verified with some challenging problems, such as the segmentation of remote sensing images and the analysis of complex network structure.

本项目针对复杂分布大样本数据聚类时存在的聚类准则难以确定、高维数据属性难以有效度量和时间复杂度高等关键科学问题展开研究。将聚类看作一个优化过程，采用多目标优化框架，以增强聚类方法的鲁棒性和普适性。借鉴神经调节机理，建立具有容噪、泛化和记忆能力的调节网络模型。为解决调节网络高维复杂的结构特点，将分布式协同学习机理引入到多目标优化，建立分布式多目标学习算法，优化网络结构和参数，加快收敛速度，实现高效学习。建立基于调节网络和分布式学习模型的多目标聚类算法，分析并解决新模型与学习算法在求解复杂分布和大样本数据聚类中的关键问题，包括多目标学习框架构造、分布式学习策略设计、聚类有效准则设计以及计算复杂度分析等。在理论研究的基础上，开展新方法在复杂背景下的遥感图像分割和复杂网络结构分析等问题上的应用研究，以验证新模型和算法的有效性与先进性。

随着信息获取与处理技术的飞速发展，如何实现高效的复杂数据感知与识别成为热点。本项目针对复杂分布大样本数据聚类时存在的聚类准则难以确定、高维数据属性难以有效度量和时间复杂度高等关键科学问题展开研究。将聚类看作一个优化过程，采用多目标优化框架，以增强聚类方法的鲁棒性和普适性。借鉴神经调节机理，建立具有容噪、泛化和记忆能力的调节网络模型。为解决调节网络高维复杂的结构特点，将分布式协同学习机理引入到多目标优化，建立分布式多目标学习算法，优化网络结构和参数，加快收敛速度，实现高效学习。建立基于调节网络和分布式学习模型的多目标聚类算法，分析并解决新模型与学习算法在求解复杂分布和大样本数据聚类中的关键问题，包括多目标学习框架构造、分布式学习策略设计、聚类有效准则设计以及计算复杂度分析等。在理论研究的基础上，开展新方法在复杂背景下的遥感图像分割和复杂网络结构分析等问题上的应用研究。 研究成果发表论文68 篇，其中SCI检索的国际期刊论文 48 篇，其研究成果发表在包括智能计算顶级期刊、中科院分区一区期刊《IEEE Transactions on Evolutionary Computation》和中科院分区二区期刊《IEEE Transactions on Cybernetics》、《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》和《Pattern Recognition》等相关领域主流国际刊物。2014 年 6 月被评为博士生导师，2015 年获得学校首届“菁英人才计划（创新型）”支持, 2016 年 7 月晋升为教授。