[00141275]特征学习与智能优化理论及其应用

本项目针对人工智能和模式识别中的两个基本问题,即特征提取和智能优化学习问题进行了长期的研究,特别是针对复杂优化问题的求解全局最优解困难,智能优化算法容易陷入局部最优解的问题,以及复杂图像识别问题特征提取困难,容易产生冗余特征等问题,进行了有针对性的深入研究。本项目由国家自然科学基金项目支持,通过项目的实施和课题组的长期工作,提出了具有创新性的算法、理论和应用研究成果。 （1）针对人工智能中和模式识别中的复杂优化问题,项目组提出了基于物理模型的群体智能优化算法,即量子行为粒子群优化算法（Quantum-behaved Particle Swarm Optimization, QPSO）和随机漂移粒子群优化算法（Random Drift Particle Swarm Optimization, RDPSO）。由于算法具有良好的全局与局部搜索的平衡能力,使得其性能鲁棒性优于同类算法。同时,对算法的收敛性、复杂性等基础理论问题进行了一系列研究,提出了基于概率度量空间的智能优化算法收敛性理论。 （2）针对模式识别中的特征学习问题,本项目围绕复杂视觉场景,提出了基于随机级联回归森林（random cascaded-regression copse,R-CR-C）的非刚体图像的几何特征提取方法,该方法的精度优于目前的同类算法。同时,项目以及基于轮廓点分布直方图（Contour Points Distribution Hisgoram,CPDH） 的几何特征描述方法,实践表明,该方法对于不同形状的图像具有很强的特征描述能力。 （3） 项目组对特征学习和智能优化的应用进行了深入研究,包括群体智能优化算法在电力调度、神经网络训练、图像分析等领域的应用,R-CR-C图像几何特征提取方法在人脸识别中的应用,以及CPDH几何特征描述方法在图像检索中的应用等。实践表明,本项目提出的智能优化算法和特征学习算法,在优化和学习性能方面优于其它同类算法,在相关领域达到了国际领先的水平。