硕士研究生课题方向

一、基于深度表征学习的高维时空数据分析与特征提取方法

高维时空数据作为复杂系统的输出(或状态)数据,是一类广泛存在且重要的数据类型,同时具有高维空间分布属性和随时间变化的动态属性,此外,许多实际系统产生的时空数据还存在随机干扰。通过对时空进行分析,可以实现对复杂系统内在特性的认知与表征,具有重要的应用价值。

近年来,机器学习领域的最新研究进展为高维时空数据分析开启了一个新的研究思路。代表性的方法包括深度学习(Deep Learning),自动编码(Auto Encoding),稀疏编码(Sparse Coding),流形学习(Manifold Learning)等,这些方法现在被归入机器学习的一个新的研究分支:表征学习(Representation Learning)或者又名特征学习(Feature Learning)。

本课题研究高维时空数据的定量分析与特征提取方法。

欢迎自动化、计算机、信号与信息处理、数学专业的同学参加本课题的研究。[返回]

 

二、 SAR图像特征提取与检索方法研究

SAR图像的认知与解译是世界性难题。由于其特殊成像机理,使得在常规图像上有效的处理和识别方法,在SAR图像上往往效果很差。而SAR图像与普通图像的巨大差异,也使得我们人类已有的一些认知经验,在SAR图像上也往往无用武之地。这迫使我们必须重新研究SAR图像的处理与表征方法。

近年来兴起的深度学习方法,是对人脑构建多层次认知系统的有效模拟,较好地实现了由原始数据、通过学习、自动获得由低到高不同语义层次特征的提取,为我们研究SAR图像的表征与识别提供了一个新的研究思路。

本课题基于深度学习方法,研究SAR图像的表征与识别,进而研究基于内容的SAR图像样本快速检索方法。

欢迎自动化、计算机、信号与信息处理、数学专业的同学参加本课题的研究。[返回]

 

三、    智能优化方法及其应用

优化技术是一种求解各种工程应用问题最优/较优解的应用技术,在诸多工程领域(设计、制造、管理、调度、建模、控制、学习、等等)有着重要应用,一直受到工业界和学术界的广泛重视。鉴于实际工程问题普遍存在的复杂性、多约束性、多目标、非线性、多极值、建模困难等特点,研究与之相适应且具有一定智能特征的高效优化方法成为当前工业界和学术界共同关注的研究热点。

20世纪80年代以来,一类智能优化方法,包括遗传算法、模拟退火、蚁群算法、粒子群算法、差分进化算法等,为解决复杂问题提供了新的思路和手段,其独特的优点,引起了国内外学者的广泛关注和研究兴趣,并在许多领域得到了成功应用。

本课题针对目前智能优化方法及其应用中存在的核心问题开展研究,重点研究如何将机器学习与优化搜索相结合,通过机器学习方法对智能优化算法实施分析与改进,同时探索智能优化方法在大规模电子系统设计、大规模并行学习系统设计等领域的应用与推广。

欢迎自动化、计算机、信号与信息处理、数学专业的同学参加本课题的研究。[返回]

 

四、智能感知与识别方法研究

像人一样感知和识别事物是从事人工智能研究的学者们长期以来孜孜以求的一个目标,也是国际学术界的研究热点,涉及领域包括机器学习、神经网络、智能优化、模式识别、计算机视觉、人机交互等。本课题研究基于视觉的智能感知与识别方法,应用领域包括视线跟踪、手势识别、行为识别等。

欢迎自动化、计算机、信号与信息处理、数学专业的同学参加本课题的研究。[返回]