具有边信息的数据压缩分类方法及应用研究

Data classification is an important task of machine learning, the theories and applications of which have been received widely attention. However, its features “big data, big model and big compute” present challenges to both storage resources and computation resources. To promote the further development of data classification, compressive classification (CC) based on compressive sensing is proposed. This project aims to study the methods and applications of CC based on side information (SI), where compressive sensing is an effective tool to reduce the data amount in classifier, and utilizing side information is an important way to improve classification performance...The researches of this project include: methods and theoretical performance of CC with SI, applications of CC with SI in ideal scenarios, and methods and applications of CC with SI in unideal scenarios. By utilizing SI, this project proposes CC methods with higher robustness, greater universality and lower complexity, which contributes to the developments of theories and applications of data classification in machine learning.

数据分类是机器学习的一类重要任务，其理论和应用研究都得到了广泛的关注。然而其大数据大模型大计算的特征对存储资源和计算资源都提出了挑战。为了推动数据分类的进一步发展，基于压缩感知的压缩分类技术应运而生。本项目旨在研究具有边信息的压缩分类技术，其中的压缩感知是降低分类器数据量的有效手段，而利用边信息是提高分类器性能的重要途径。.本项目研究具有边信息的压缩分类方法和理论性能、理想情况下具有边信息的压缩分类应用、非理想情况下具有边信息的压缩分类方法和应用。提出具有边信息的压缩分类方法、推导出相应的分类理论性能、提出适用于具体场景的压缩分类方案、针对数据不理想和数据量化等非理想情况提出压缩分类方法。本项目通过利用边信息，获得更具鲁棒性、普适性和低复杂度的压缩分类方法，为机器学习中数据分类理论和应用的发展做出贡献。

项目组深入研究具有边信息的压缩分类方法，推导了相关的理论性能，提出了具体方案设计，包括：具有边信息的压缩分类方法和理论性能、理想情况下具有边信息的压缩分类应用、非理想情况下具有边信息的压缩分类方法和应用。.在具有边信息的压缩分类方法和理论性能方面，首先，针对具有块稀疏结构、信源统计特性等边信息条件下，提出了多种高性能的压缩分类方法，并推导了这些方法的分类误差、复杂度等性能。其次，针对单比特量化的压缩分类方法，推导了压缩分类错误概率性能界。在测量矩阵存在扰动的情况下，推导了压缩分类错误概率性能界。最后，基于块稀疏性提出适用块阈值特征的字典学习方案，以及对应字典学习优化求解方法。.在理想情况下具有边信息的压缩分类应用方面，首先，提出聚类辅助的稀疏表示分类方案，构造出具有低相干性的训练字典。其次，基于块正交匹配追踪算法可靠恢复的理论条件和块稀疏性，提出两类自适应调整测量值个数的采样控制方案。最后，提出在压缩域直接提取信号自回归系数的压缩分类方案，避免了高复杂度的信号重建过程。.在非理想情况下具有边信息的压缩分类方法和应用方面，首先，在数据源存在干扰的情况下，提出扰动压缩分类算法; 在先验信息存在干扰的情况下，引入先验因子优化稀疏重构过程。其次，基于单比特压缩感知，提出数据关键特征提取方案及单比特压缩分类方案。另外，针对信号周期缓慢变化的信号，利用已知的模板边信息，提出压缩域直接提取信号特征的方案并实现分类。最后，考虑模数转换器的非线性失真，建立双稀疏模型优化求解出原始稀疏信号。.项目所提出的压缩分类方法均有理论或仿真支撑，具有良好的性能，为压缩分类的理论和应用做出了一定的贡献。项目组共发表SCI检索论文10篇、EI检索论文8篇；申请专利5项；出席国际学术会议做分组报告6次；所培养研究生已毕业7人。本项目圆满完成了预定目标。