本研究提出了一种自构建多专家模糊系统（SOME-FS），用于解决高维数据分类中的噪声和梯度消失问题。通过结合结构学习和多专家学习，SOME-FS提高了分类器的鲁棒性和预测性能，能有效识别核心分类规则。

本文探讨了功能数据分析（FDA）在高维数据分类中的应用，提出了mfDNN分类器和FSFC特征选择等新方法，以提高分类性能和处理缺失数据的能力。研究表明，集成学习和随机样条树（RST）在环境时间序列分析中显著提升了分类准确率，推动了FDA的发展。

本文介绍了一种基于Haar散射变换的方法，用于在未知图形几何的情况下对高维数据进行分类。该方法通过计算不变的信号描述符，并通过深度级联计算正交Haar小波变换来实现。同时，还介绍了一种用于无序图形上采样的多尺度邻域估计方法，并对通过降维实现的监督分类进行了测试。