基于谱粒度的广义深度学习及其应用研究

With the violent development of Internet and communication technology, large scale nonlinear data (LSND) has shown explosive growth. How to quickly and effectively deal with LSND is a challenging task for the research of machine learning. Inspired by the granularity cognitive mechanism of handling complex problems of human, this project aims to study the generalized deep learning based on spectral granularity for LSND, and its application in fingerprint recognition. The main contents include: (1) construct the spectral granularity learning model for LSND and organically combine sampling technique, semi-supervised technique and sub-space technique to improve the efficiency and quality of the granulation of LSND; (2) on the basis of the information granulation of spectral granularity, study robust deep neural network method to learn the data features of LSND; (3) according to the data characteristics, study the generalized deep learning model based on multi granularity and discuss the knowledge discovery problems in multi granularity framework; (4) study the effective method of fingerprint orientation field extraction and enhancement and establish the automatic fingerprint identification system based on generalized deep learning. We expect the research results of this project will form the theoretical system with generalized deep learning as core, which has important theoretical significance and practical value for the study of machine learning related technologies.

随着互联网与通信技术的迅猛发展，大规模非线性数据(Large Scale Nonlinear Data, LSND)呈现爆炸式增长，如何快速有效地处理LSND，是机器学习研究的一项挑战性课题。本项目针对LSND，借鉴人类综合处理复杂问题的粒度认知机理，研究基于谱粒度的广义深度学习方法及其在指纹识别中的应用。主要内容包括：(1)构建LSND的谱粒度学习模型，有机结合抽样技术、半监督技术和子空间技术，提高LSND的粒化效率与质量；(2)以谱粒度信息粒化为基础，研究鲁棒的深度神经网络方法，学习LSND的数据特征；(3)针对数据的特点，研究基于多粒度的广义深度学习模型，在多粒度框架下讨论知识发现问题；(4)研究指纹方向场提取和增强的有效方法，建立基于广义深度学习的自动指纹识别系统。预计本项目的研究成果将形成以广义深度学习为核心的理论体系，对机器学习相关技术的研究有重要的理论意义与实践价值。

信息时代下，迫切需要对大规模非线性数据(LSND)的处理展开系统、深入的研究。本项目研究基于谱粒度的广义深度学习及其应用，旨在面向大规模非线性数据，从LSND的谱粒度划分、面向LSND的广义深度学习算法、面向LSDN的支持向量机分类算法以及复杂指纹图像的处理与应用等方面展开：首先，从谱聚类、密度聚类等聚类分析角度，对大规模非线性数据从不同信息粒度、不同统计特性进行聚类分析，得到便于后续处理的不同粒度的数据划分；其次，针对谱粒度数据划分，改进深度学习理论并构建适用于不同数据的深度学习模型，从而构建相应的广义深度学习模型；然后，面对广义深度学习模型处理得到的数据表征，构建有效的支持向量机算法处理面向LSND的分类问题；最后，本项目研究广义深度学习理论在指纹图像识别中的应用，完成复杂指纹图像的增强和超分辨率分析工作。由此，本项目建立了针对大规模非线性数据从理论到应用的系统性算法研究和应用研究体系。