日前，机械工程学院科研团队在IEEE Transactions on Neural Networks and Learning Systems（TNNLS）期刊上发表题为“Cosine 2DPCA with Weighted Projection Maximization”的研究成果，创新提出基于向量2范数度量的投影距离和重构误差双目标优化策略。TNNLS是在美国电气和电子工程师协会（IEEE）人工智能及机器学习领域国际顶级期刊，旨在出版神经网络和学习系统方面的理论、设计和应用的技术文章，期刊影响因子为10.451。该成果以天津理工大学作为第一完成单位和第一通讯单位发表，第一作者为王肖锋副教授，第二作者为硕士研究生石乐岩，第一通讯作者为刘军教授。

　　从海量数据中提取有效表征事务和现象本质属性的低维特征，通常采用欧式距离的平方来度量这些数据所呈现出来的不确定性和变异性。但在大数据背景下，数据量呈几何倍数增加，给数据传输、存储、搜索、分析及可视化等造成极大困难。如何寻求在不同范数下样本投影距离最大的目标优化。同时，其原始数据与重构数据之间的重构误差也能得到优化,并且能保留原欧式距离中的旋转属性。该研究以提高表征这些数据中不确定性和变异性的鲁棒性能来针对性解决这一难题。

　　鲁棒低维表征是基于统计学思想，利用不同范数的数据度量方式进行广义数据表征和数据压缩，在表面故障诊断、模式识别、目标识别等领域具有比较广泛应用，尤其在当前疫情防控常态化条件下应用于人脸识别更具针对性。作者提出余弦目标优化模型，采用具有可调幂的向量2范数作为距离度量，以最大化权重投影，更有助于抑制隐藏在数据之间的不确定性和变异性。作者进一步开发求解Cosine 2DPCA的贪婪迭代算法，并从理论上证明解的收敛性和相关性。这一工作表明，提出的Cosine 2DPCA方法在重构性能、相关性能、复杂度性能及分类性能等方面均有显著改进，其性能优于现有大多数数据表征方法，为解决复杂环境下的鲁棒低维表征提供了新途径。

　　此前，该成果得到国家重点研发计划和天津市科技计划智能制造重大专项支持，成功应用于国家重点研发计划中的焊缝表面缺陷识别研究。2022年3月,其相关应用成果以“Online detection of weld surface defects based on improved incremental learning approach”为题发表在EXPERT SYSTEMS WITH APPLICATIONS（ESWA）期刊上。

　　全文链接：https://ieeexplore.ieee.org/document/9751148