遷移學習及其在氣象雷達數據分類中的套用

《遷移學習及其在氣象雷達數據分類中的套用》是依託中國人民解放軍國防科技大學，由吳翊擔任項目負責人的面上項目。

基本介紹

• 中文名：遷移學習及其在氣象雷達數據分類中的套用
• 項目類別：面上項目
• 項目負責人：吳翊
• 依託單位：中國人民解放軍國防科技大學

中文摘要

遷移學習（Transfer Learning）是近些年來模式識別和機器學習領域的研究熱點問題。本項目以氣象雷達數據分類為背景，針對遷移學習的理論、方法及套用問題開展研究。其中：理論部分主要分析遷移學習的可遷移性問題，嘗試尋求描述可遷移性的量化指標。方法研究包括：在現有遷移學習算法性能比較的基礎上，嘗試為新問題中遷移學習算法建立新的選擇準則；遷移算法的擴展性研究：半監督遷移算法與主動遷移算法。套用中主要研究面向氣象雷達數據分類的遷移學習算法。基於遷移學習的氣象雷達數據分類研究將為災害性天氣的預報提供有力支持。課題不僅對遷移學習的理論有較大突破，而且對於在充分利用有限的氣象資源下提高氣象預報精度具有重要意義。

結題摘要

遷移學習是近年來模式識別和機器學習領域的一個前沿性課題。課題組人員在廣泛閱讀國內外參考文獻、資料的基礎上，對各種遷移學習方法有了深入的了解，並細緻分析了各種方法之間的聯繫和差異，考察了各種方法的優缺點和適用範圍，對遷移學習技術在各種領域 (特別是氣象雷達數據分類) 中的套用研究有了更加全面的認識。該項目從理論、方法和套用三方面開展工作。 遷移學習理論層次上，對任務與域的邊際分布之間的關係進行建模，揭示遷移源域與目標域之間的關係，針對遷移學習源域和目標域之間知識如何遷移，為什麼遷移和怎么遷移三個經典問題，完成了遷移學習可遷移性理論、刻畫不同數據集關係的深度學習理論和基於知識表示的多流形學習理論等三方面工作。 遷移學習算法層次上，開展了如下幾方面工作：在已有半監督學習研究的基礎上，將半監督學習和遷移學習有效結合，提出了基於負標籤、基於連結、基於張量和基於universum的四種半監督遷移學習算法；在基於知識表示的多流形理論基礎上，研究了三種不同的多流形聚類方法，即基於知識的譜多流形聚類算法、基於知識的線性多流形聚類算法和基於知識的局部和結構一致性的多流形聚類方法；開展了基於特徵的遷移學習方法研究，提出了基於特徵選擇、基於稀疏回歸、基於圖模型和基於稀疏約束的四種遷移學習算法，擴展遷移學習方法的套用領域。 遷移學習套用層次上，開展了包括實現人臉識別遷移系統和生物圖像數據分類系統等工作研究。人臉識別遷移系統可以套用與不同人臉數據集之間信息的遷移，有效解決了標籤缺少或數據量小的實際問題。生物圖像分類系統包含基於多秩回歸的生物圖像數據分類算法和基於模式收縮的子空間弱監督聚類算法兩種算法，可以有效完成生物圖像數據分類聚類任務。