国家自然基金申请书(指导版)

国家自然科学基金申请书

国家自然科学基金

申请书

（2009版）

申报日期： 2009年月日

国家自然科学基金委员会

国家自然科学基金申请书

项目组主要成员(注：项目组成员不包括项目申请者，国家杰出青年科学基金类项目不填写此栏。)

我保证申请书内容的真实性。如果获得基金资助，我将履行项目负责人职责，严格遵守国家自然科学基金委员会的有关规定，切实保证研究工作时间，认真开展工作，按时报送有关材料。若填报失

项目组主要成员承诺：

我保证申报内容的真实性。如果获得基金资助，我将严格遵守国家自然科学基金委员会的有关规定，切实保证研究工作时间，加强合作、信息资源共享，认真开展工作，及时向项目负责人报送有关材料。若个人信息失实、执行项目中违反规定，本人将承担全部责任。

依托单位及合作单位承诺：

已按填报说明对申请人的资格和申请书内容进行了审核。申请项目如获资助，我单位保证对研究计划实施所需要的人力、物力和工作时间等条件给予保障，严格遵守国家自然科学基金委员会有关规定，督促项目负责人和项目组成员以及本单位项目管理部门按照国家自然科学基金委员会的规定及时报送有关材料。

报告正文

科学性、先进性、创新性、可行性大同行能看懂，小同行能看出水平

为什么做？想做什么？

如何去做？做过什么？

1. 项目的立项依据(研究意义、国内外研究现状及分析，附主要参考文献目录)

⏹要做什么？为什么做？

⏹基础研究需结合科学研究发展趋势来论述科学意义；应用研究需结合经济社会发展中迫切需要解决的关键科技问题来论述其应用前景。

研究现状评述；提出问题，阐述重要性，解决办法及科学意义。

分类是模式识别中的经典问题. 近年来,分类问题的规模越来越大,样本数目、特征维数和类别数量都在快速增长,给分类算法的响应速度带来严峻考验. 在分类问题中特征选择是一个重要的“数据预处理”过程，在机器学习任务中：获得数据后先进行特征选择，此后再训练学习器。现实的许多分类问题中类别有着复杂的层次结构，如MeSH，U。S。Patents，Yahoo！，LookSmart，但是现有算法并没有抓住利用好这个结构，忽略了类别间的层次结构，单独考虑每一个类别，集中考虑扁平化特征选择算法。为了利用层次结构，简化分类过程，提高模型的效率，我们提出分层分类特征选择算法。它是解决多类分类问题的有效方法，在众多讨论多分类算法及其应用的文献中有所涉及。

分类问题数据规模增大导致冗余特征、弱相关特征增多，分析特征、训练模型时间越长，模型复杂度增大，推广能力下降。利用特征选择算法选有用的特征，降低学习难度，提高效率。评价特征选择算法的有效性有以下几个方法：选择不同的特征个数，比分类的错误率或者正确率[1] [2]。与所有特征都在的时候比正确率，用较少的特征就可以达到相似的正确率，或者用较少的特征个数达到更好的分类正确率[3] [4]。选择多个算法，用各自方法最好的分类精度进行比较[5] [6]。扁平化特征选择算法常用评价指标是Bayes，SVM和KNN，而分层分类特征选择算法评价指标常用基于成对的措施，考虑预测标签跟真实标签关系；树诱导损失，考虑树上节点之间的距离；基于集合的措施，考虑类别间最小的共同祖先节点。

分层分类方法一般利用类别标签在特征空间或语义空间中的层次关系,将多类问题进行分解,建立相应的类别层次结构,然后对分解后得到的规模较小的分类问题进行求解,分类时则依据层次结构将多个分类器的结果综合得到最终的分类结果。分层分类问题需要处理

的几个问题：单标签或多标签，类别之间的关系是树结构或图结构，分类是否到叶子结点结束。我们讨论主要是单标记-树结构-嵌入式特征选择: 考虑单一兄弟，异类样本具有对称性，最小化父子类距离及最大化兄弟间距离，计算量可减少一半。

[1]Hu Q, Pan W, Zhang L, et al. Feature selection for monotonic classification[J]. Fuzzy Systems, IEEE Transactions on, 2012, 20(1): 69-81.

[2]Zhao S, Chen H, Li C, et al. RFRR: robust fuzzy rough reduction[J]. Fuzzy Systems, IEEE Transactions on, 2013, 21(5): 825-841.

[3]Chen D, Yang Y. Attribute reduction for heterogeneous data based on the combination of classical and fuzzy rough set models[J]. Fuzzy Systems, IEEE Transactions on, 2014, 22(5): 1325-1334.

[4]Chen D, Yang Y. Attribute reduction for heterogeneous data based on the combination of classical and fuzzy rough set models[J]. Fuzzy Systems, IEEE Transactions on, 2014, 22(5): 1325-1334

[5]NRS: Hu Q, Yu D, Liu J, et al. Neighborhood rough set based heterogeneous feature subset selection[J]. Information Sciences, 2008, 178(18): 3577-3594.

[6]Chen D, Yang Y. Attribute reduction for heterogeneous data based on the combination of classical and fuzzy rough set models[J]. Fuzzy Systems, IEEE Transactions on, 2014, 22(5): 1325-1334.

[7]Zhao S, Chen H, Li C, et al. RFRR: robust fuzzy rough reduction[J]. Fuzzy Systems, IEEE Transactions on, 2013, 21(5): 825-841.

[8]Chen D, Yang Y. Attribute reduction for heterogeneous data based on the combination of classical and fuzzy rough set models[J]. Fuzzy Systems, IEEE Transactions on, 2014, 22(5): 1325-1334.

[9]Chen H, Li T, Luo C, et al. A decision-theoretic rough set approach for dynamic data mining[J]. Fuzzy Systems, IEEE Transactions on, 2015, 23(6): 1958-1970.

⏹由已有的研究引出假设

⏹符合科学基金的资助范围和学科性质(仔细阅读项目指南、资助项目汇编等)