复杂数据深度挖掘架构下多层核学习模型优化方法

Kernel learning of complicate data technology has the broad application prospect on military, medical and meteorological fields. Deep learning further promote the data deep mining, and provides the solution idea to two problems of representation ability and adaptive performance of kernel learning model on complicate data. For that, the project develops the multiple layers of kernel learning model optimization methods under the framework of complicate data deep mining. On the key scientific problems of structure-adaptive learning model design, optimization criterion and regulation, the project has the detail contents include: Framework and key problems of deep kernel learning machine. Design the structure-adaptive kernel model for deep kernel learning machine, and design the conformal mapping kernel model adaptive to the changing of sample data structure, adaptive multiple functions combination model and structure changeable base kernel based multiple kernel combination model. Design the optimization objection equation of structure adaptive kernel model for data analysis task driven, design the similarity measure of data distributions for classification, clustering and regression. Design the solution methods for objective equation of model optimization for deep kernel learning machine. Through the research of this project, we aim to propose a framework and model optimization methods for deep kernel learning machine, and to lay the foundation for the engineering application of complicate data mining.

复杂数据核学习挖掘技术在军事、医学及气象等领域中应用前景广泛，深度学习进一步推动了数据深度挖掘的发展。为解决核学习模型在复杂数据表示能力和适应性问题，本项目开展复杂数据深度挖掘架构下的多层核学习模型优化方法，针对深度核学习机器的结构自适应学习模型设计、优化准则以及正则化等关键科学问题，具体开展如下的研究工作：研究深度核学习机器架构及关键问题；建立深度核机器学习的结构自适应核模型，设计自适应于样本数据结构变化的共形变换核模型、自适应多函数组合模型以及结构可变基础核多核组合模型；研究不同数据分析任务驱动的结构自适应核模型优化目标方程，建立适于分类、聚类以及回归的数据分布相似性的测度；研究深度核学习机器的模型优化目标方程的求解方法。通过本项目研究，提出一套完整的深度核学习机器架构及模型优化方法，为深度核学习机器的实际应用提供理论支持，为复杂数据深度挖掘工程应用奠定基础。

按照项目的时间节点完成了全部研究内容，并达到了技术和成果指标要求。提出一套完整的深度核学习机器架构及模型优化方法，并进行了应用验证。针对深度核学习机器架构及关键问题的研究，搭建了深度多核映射网络结构，搭建了基于SAR数据的综合试验平台；针对深度核机器学习的结构自适应核模型设计及拓展，提出了深度多核映射网络优化方法；针对数据分析任务驱动的结构自适应核模型优化研究，提出基于核优化深度机器分类方法的样本选择方法；针对深度核学习机器的模型优化参数求解研究，提出了基于模型驱动的深度学习算法，并在雷达RCS数据上验证，提出基于深度核函数特征提取的图像目标识别算法，采用深度核学习的特征提取算法，利用大数据来学习特征，更能够刻画数据的丰富内在信息。研究成果用于多源图像目标检测、识别、跟踪技术及应用，面向星载/机载/车载的对地/对空的侦察预警需求，基于本项目的理论研究成果，开发了基于深度学习的柔性视觉检测系统、对地可见光探测数据分析处理软件平台、遥感图像深度学习目标识别软件工具、车载对空红外小目标预警系统、深度学习智能视频分析系统、基于深度学习空中飞机目标识别等多个应用系统，成果用于航天科技12所、航天科工207所、航天科技513所等研究所。.本项目按照计划书的研究目标，完成了全部研究内容，并达到了技术指标及成果指标的要求，依托项目发表论文18篇，组办国际会议2次，担任国际会议程序委员会主席，并做大会特邀报告1次。培养各类学生8人，其中培养博士后1名、毕业博士生2名以及在读博士生3人。