已有的聚类集算法基本上都是非监督聚类集成算法,这样不能利用已知信息,使得聚类集成的准确性、鲁棒性和稳定性降低.把半监督学习和聚类集成结合起来,设计半监督聚类集成模型来克服这些缺点.主要工作包括:第一,设计了基于贝叶斯网络的半监督聚类集成(semi-supervised cluster ensemble,简称SCE)模型,并对模型用变分法进行了推理求解;第二,在此基础上,给出了EM(expectation maximization)框架下的具体算法;第三,从UCI(University of Ca

近十年来，由于广泛的应用前景，关于人脸识别的研究得到了 广泛的关注．但目前宵一种影响人脸识别技术的因素尚未被研究者所重视，那就是年龄变化．而在适用于年龄变化的人脸识别技术中有一个重要的问题，即年龄估计．本文基于典型相关分析和代价敏感学习提出了两种年龄估计算法，并在此基础上利用集成技术来提高年龄估计的准确性．

机器学习中数据集的冗余特征会影响学习器的泛化能力，一些流行方法如支持向量机和集成学习也难免于 此．研究了利用主成份分析进行特征变换对Bagging集成学习算法的影响，提出一种称为PCA—Bagging的算法，并与 其它算法比如单个支持向量机、支持向量机Bagging集成、带有特征变换的单个支持向量机等进行了性能比较．在 多个UCI标准数据集上的实验表明PCA—Bagging算法具有更好的性能，这说明即使是泛化能力很强的集成学习方 法其学习的数据也需要进行适当的特征变换

提出了一种基于数据集分割的极限学习机集成算法——DS-E-ELM.-Extreme Learning Machine proposed integration algorithm DS-E-ELM dataset based segmentation.