基于核函数优化的模式分类研究

基于核函数的非线性模式分类方法，简称核方法，已经成为模式识别和机器学习领域中的重要方法。核方法本质上是高维映射空间中的线性分类，其有效性是建立在数据在映射空间中具有较高的线性可分性的基础之上的。由于数据在映射空间中的空间分布及线性可分程度主要是由核函数决定的，因此，选择或优化核函数就成为核方法中至关重要的一个环节。本项目拟在高维映射空间中应用Fisher准则优化核函数模型,并通过优化核函数来改善数据在映射空间中的线性可分性,进而提升核方法模式分类的效果。另一方面，核函数优化提供了一种根据数据的类特征学习数据相似性度量的有效方法，我们将研究这种基于核函数优化的数据相似性度量学习方法，对于提高以相似性度量为基础的模式识别方法的效果。此外，我们还将研究核函数优化方法在图象数据库检索，生物特征识别及生物信息学等领域的应用。