复杂数据在医学诊断、故障识别、图像分类、基因识别、文本分类等诸多领域广泛存在，但由于复杂数据具有特异性强、维度高、噪声大、非线性、非平稳等特性，对其建模分析具有较大难度。本团队利用自适应数据分解和集成学习方法实现复杂数据预测与分类，具有重要理论意义与应用价值。

该项目利用自适应分解对复杂数据进行多尺度分析，提出智能优化的异构集成学习方法，构建基于深度集成学习的复杂数据分析方法，有效提升复杂数据建模分析性能。该方法既具有鲁棒性强、灵敏度高的特点，又具有泛化能力强、运算成本低等优势，为复杂数据建模提供科学、有效、准确的智能决策。本团队构建了较为完整的理论与应用体系，最大限度地为复杂数据建模提供有力的技术支持。已出版专著1部，获吉林省自然科学三等奖1项，出版教材1部，发表高水平论文16篇。