机器学习

目前本方向人员所做工作的主要内容、特色和可能取得的突破：

主要研究内容：

本方向研究内容主要有以下几方面：

（1）神经计算。对细胞神经网络的动力学特性进行了研究，给出了三个细胞元CNNs的动力学特性—平衡点的存在区域以及稳定平衡点存在的充分必要条件，以及如何简单地获得平衡点的坐标的方法。研究ANN与模糊系统的结合，给出了模糊综合评判及模糊控制器的ANN实现方法。对竞争学习神经网络的学习算法作了改进，提出用有监督竞争学习神经网络作为汉字识别分类器。从神经网络理论及常规算法分析入手，将网络平行移植法与逆动态模型法相结合，研究复杂系统的网络控制模型的结构确定方法。

（2）支持向量机。核函数研究。对常用的几个基本核函数展开研究的基础上，进一步研究了自适应核函数：自适应核是对高斯核参数的一种自适应调整方法，通过对训练样本数据的反复的计算，而最后得到与该组样本最为适合的核参数；混合核：混合核函数可以发挥各基本核函数的综合优势，与单一核函数SVM相比性能有明显提高；修正核：依据数据集及最大分类间隔来修正核参数以构造数据集相关核，以提高支持向量机的性能。应用研究。将支持向量机应用于手写体汉字识别，指纹识别，水产品质量安全预警，烟草销售预测等。

研究特色：

模型研究：通过对基本模型的研究，运用新理论、新方法，构造具有更好学习与适应性的模型。应用研究：将理论研究成果直接应用于模式识别、事件预测及智能控制领域。

可能取得的突破：

神经计算方面：将以神经生理学的最新研究成果为依托，从生物神经网络处理信息的内在机理上进一步研究学习、记忆的神经网络机制以及高级认知行为的计算模型，并将该理论成果应用于模式识别、智能控制等领域。

支持向量机方面：进一步探索SVM的性能与核函数之间的关系, 找出规律, 给出设计、选择核函数的一系列指导原则; 给出基于数据集的核函数/参数设计方法，得到更好的分类、事件预测模型。预期可在本专业权威期刊发表2~4篇研究论文，并在研究成果的校企联合产业化方面取得突破。

团队负责人：

孙立民

团队成员：