大数据挖掘与粒计算团队方向介绍

时间:2021-12-16浏览:59设置

团队大数据挖掘与粒计算理论及应用(共8人)

徐久成、薛占熬、孙林、马媛媛、李涛、林卫、申俊丽、穆晓霞

1. 团队介绍:

大数据挖掘与粒计算理论及应用科研团队依托计算机科学与技术省重点一级学科、“计算智能与数据挖掘”河南省高校工程技术研究中心、“教育人工智能与个性化学习”河南省重点实验室、“智慧商务与物联网技术”河南省工程实验室、“智能信息处理”新乡市重点实验室。团队主要成员由徐久成、薛占熬、孙林、马媛媛、李涛、林卫、申俊丽、穆晓霞8名专职教师和多名在校研究生组成。其中教授2人、副教授6人、博士7人,全国优秀教师1人、全国模范教师1人、河南省高层次人才2人、河南省科技创新杰出青年1人、河南省首批信息化专家1人、河南省教育厅学术技术带头人2人、平原学者1人。团队骨干成员年龄和职称结构合理,教学效果良好,学科基础理论扎实,实践经验丰富,在学缘关系上互补性较强,基本形成了一支充满活力且勇于创新的科教融合团队。同时,团队骨干教师学历层次较高,均具有副教授或博士以上职称和学历,近年来团队成员主持国家自然科学基金项目7项、河南省科技创新人才计划重点项目1项、河南省科技攻关项目6项等;出版学术专著2部;主持教改重点项目4项;在国内外重要学术会议、期刊发表论文100余篇,其中TOP期刊论文10篇、ESI高被引论文2篇。

2. 团队研究内容:

粒计算是当前人工智能研究领域中模拟人类思维和解决复杂问题的新理论与新方法,它涵盖了所有有关粒度的理论、方法和技术,是研究大规模复杂问题求解、大数据分析与挖掘、不确定性智能信息处理的有力工具。大数据挖掘与粒计算理论及应用研究是当前人工智能领域的研究热点之一。

近年来,团队成员研究了基于大数据分析与数据挖掘的理论、技术和实际应用,以粗糙集、模糊集等粒计算理论为基础,从数据粒化、多粒度模式发现、粒计算推理、高性能算法设计等方面,深入研究大数据挖掘的粒计算理论与方法、不确定性分析与知识获取技术,并将其应用于基因表达谱数据挖掘、低质大数据挖掘、时间序列分析、图像隐写分析等领域。

3. 近年高水平研究成果介绍:

成果介绍1:粒计算是当前人工智能领域一个非常活跃的研究方向,它以处理大规模复杂数据和信息等建立有效的计算模型为目标,从多角度、多层次进行信息粒度的表示和问题求解,在复杂数据处理方面有着独特的优势。国家自然科学基金面上项目“面向复杂数据的粒计算模型与应用研究”以具有模糊、高维、混合、时序等特点的复杂数据为研究对象,以粗糙集、Vague 集、三支决策、多粒度等粒计算理论为工具,运用粒计算的粒化策略与理论,在新的不确定性粒计算模型构建、 基因选择、 时间序列数据分析等方面开展粒计算理论与应用研究。所获成果不但能够丰富和发展粒计算,为复杂数据的不确定性分析与数据挖掘提供新的理论与方法,而且对决策管理、生物信息工程、医疗诊断与预防、空间数据分析、故障诊断等领域也有重要的应用价值,推动了粒计算理论的更深入和广泛的应用,有力支撑了大数据发展的国家战略。

成果介绍2:面对大数据兴起带来的挑战,为满足大数据产业实际增长的需要,亟需深入研究低质数据的分析处理技术,低质数据不仅加大了对大数据直接统计分析的难度,而且也给传统的数据挖掘、机器学习等智能信息处理方法带来了技术上的瓶颈。为了促进低质数据治理技术的变革和发展,国家自然科学基金面上项目“面向低质数据的粒计算与特征选择研究”针对混合不完备与模糊、决策分布不平衡、标记缺失的低质数据,以粗糙集、模糊集等粒计算理论为研究工具,系统研究不确定性度量理论与方法,构建新的粒计算模型,设计基于粒计算的特征选择算法,形成大规模复杂数据环境下低质数据分析的粒计算理论与算法框架,突破现有的低质数据特征选择模型框架的局限,对不确定性人工智能、数据挖掘领域以及大数据科学发展具有重要的理论意义和实用价值。

成果介绍3:针对现有图像高维隐写检测特征选取方法存在可分性准则度量不够准确和特征选取优化不充分等问题,导致选取后特征维数仍较高且对隐写图像的检测正确率仍较低。国家自然科学基金青年项目“图像高维隐写检测特征的可分性分析及优化选取”,研究了适用于图像高维隐写检测特征的度量原则及主次关系,提出更准确的特征分量可分性准则;又将距离思想引入可分性度量,提出了能为选取提供直接依据的隐写检测特征向量可分性准则;研究了分析经典/决策粗糙集中属性约简方法的原理及适用范围,提出了能删除冗余和冲突隐写检测特征的选取方法;研究了候选特征向量的构建及判定方法,并设计合理的适应度函数以提出特征分量的补选方法,最终实现图像高维隐写检测特征的优化选取,为降低图像高维特征维数和提高检测正确率提供理论和技术支持。

 


返回原图
/

Baidu
map