立项评审通过 创新训练 110数学 理论研究-科学技术未定级

本项目旨在探索和实现一种高效的多模态数据降维技术，以应对人工智能领域中多模态大模型处理高维数据时面临的计算复杂度高、存储空间需求大、训练和推理效率低以及过拟合风险等问题与挑战。 项目的核心研究内容包括：对现有多模态图像数据降维和特征优化筛选方法的综述分析；利用改进的离散小波变换（DWT）--aDWT(PCA与形态学处理和DWT结合)进行特征优化与筛选；通过特征级融合方法加权平均法对特征进行融合；以及结合双向2DPCA算法和PCA进行数据降维处理；并采用支持向量机（SVM）作为分类模型验证所提方法的有效性，以此对Sharma和Kaur在Multimodal Classification using Feature Level Fusion and SVM一文的研究进行创新性地改进，为多模态图像识别领域的研究贡献新的设计方案和方法思路。 本项目的特色与创新之处在于采用aDWT融合算法和加权平均法进行特征提取与优化处理，以及特别地，将2DPCA与PCA结合对多模态数据进行双向、双次的降维处理，这有助于优化特征空间并提升图像识别任务的精度。本项目的技术路线明确，从理论探索到实验验证，最终将实现多模态生物特征的精确分类。 项目预期将通过一系列科学的研究步骤，包括文献综述、算法设计、实验验证和结果分析，最终形成一份研究报告，并在实践中形成1-2个案例或发表1篇论文。经费预算合理，确保项目研究的顺利进行。 本项目的研究，预期能够为多模态数据降维领域提供新的技术方案，推动人工智能技术在多模态图像识别处理等方面的发展，同时为相关领域的学术研究和技术创新做出新的贡献。