一、个人简介

袁超，研究生学历，博士学位，禁漫天堂 特聘副教授。主要从事信息科学、神经网络、机器学习、非凸优化与智能控制等方面的研究工作。在国内外重要学术期刊和会议上发表论文十余篇，主持和参与多项科研项目。主要成果发表在Information Sciences、Neural Networks、Knowledge-Based Systems、Neurocomputing、Signal Processing等学术期刊。

二、研究方向

1. 机器学习(Machine Learning)。机器学习是人工智能的核心方法之一，其目标在于通过数据驱动的方式自动提取潜在规律，从而实现预测与决策。主要关注机器学习中的鲁棒性、泛化能力与可解释性问题，研究如何在高维、噪声和不确定性条件下提升算法的稳定性与可靠性。该研究不仅具有深刻的理论意义，同时在图像识别、智能控制和模式分类等实际应用场景中展现出重要价值。

2. 流形学习(Manifold Learning)。流形学习是旨在揭示高维数据潜在低维几何结构的重要方法。该研究范式通常基于“数据样本分布在低维流形上”的基本假设，核心任务是构建合理的流形表示并在其上开展有效的优化推理。研究重点是黎曼流形上的表示与优化，包括对称正定矩阵流形、Grassmann 流形等典型结构，探索如何在非欧几里得空间中构建高效且收敛性良好的学习算法。

当前研究工作主要聚焦于鲁棒损失函数与正则化方法的设计，以提升模型在复杂环境下的泛化能力；流形约束优化算法的理论性质与收敛性分析；多模态和时空数据背景下的流形度量学习模型；以及流形学习方法与深度神经网络的结合，进而增强表示学习与分类性能。

三、教授课程

主要讲授信息科学类课程，如《机器学习》《人工智能导论》《神经网络与深度学习》等。

四、科研服务

国家自然科学基金项目 主持

五、研究成果

1. Chao Yuan., et al. Robust least squares twin bounded support vector machine with generalized correntropy induced metric. Information Sciences, 2025, (699) 121798.

2. Chao Yuan., et al. Mixture correntropy-based robust distance metric learning for classification, Knowledge-Based Systems, 2024, (295) 111791.

3. Chao Yuan., et al. An efficient multi-metric learning method by partitioning the metric space, Neurocomputing, 2023, (529): 56-79.

4. Chao Yuan., et al. Large margin projection-based multi-metric learning for classification, Knowledge-Based Systems, 2022, (243) 108481.

5. Chao Yuan., et al. Capped L2,p-norm metric based robust least squares twin support vector machine for pattern classification, Neural Networks, 2021, (142): 457-478.