迁移学习及其在气象雷达数据分类中的应用

迁移学习（Transfer Learning）是近些年来模式识别和机器学习领域的研究热点问题。本项目以气象雷达数据分类为背景，针对迁移学习的理论、方法及应用问题开展研究。其中：理论部分主要分析迁移学习的"可迁移性"问题，尝试寻求描述可迁移性的量化指标。方法研究包括：在现有迁移学习算法性能比较的基础上，尝试为新问题中迁移学习算法建立新的选择准则；迁移算法的扩展性研究：半监督迁移算法与主动迁移算法。应用中主要研究面向气象雷达数据分类的迁移学习算法。基于迁移学习的气象雷达数据分类研究将为灾害性天气的预报提供有力支持。课题不仅对迁移学习的理论有较大突破，而且对于在充分利用有限的气象资源下提高气象预报精度具有重要意义。

迁移学习是近年来模式识别和机器学习领域的一个前沿性课题。课题组人员在广泛阅读国内外参考文献、资料的基础上，对各种迁移学习方法有了深入的了解，并细致分析了各种方法之间的联系和差异，考察了各种方法的优缺点和适用范围，对迁移学习技术在各种领域 (特别是气象雷达数据分类) 中的应用研究有了更加全面的认识。该项目从理论、方法和应用三方面开展工作。.迁移学习理论层次上，对任务与域的边际分布之间的关系进行建模，揭示迁移源域与目标域之间的关系，针对迁移学习源域和目标域之间知识如何迁移，为什么迁移和怎么迁移三个经典问题，完成了迁移学习可迁移性理论、刻画不同数据集关系的深度学习理论和基于知识表示的多流形学习理论等三方面工作。.迁移学习算法层次上，开展了如下几方面工作：在已有半监督学习研究的基础上，将半监督学习和迁移学习有效结合，提出了基于负标签、基于链接、基于张量和基于universum的四种半监督迁移学习算法；在基于知识表示的多流形理论基础上，研究了三种不同的多流形聚类方法，即基于知识的谱多流形聚类算法、基于知识的线性多流形聚类算法和基于知识的局部和结构一致性的多流形聚类方法；开展了基于特征的迁移学习方法研究，提出了基于特征选择、基于稀疏回归、基于图模型和基于稀疏约束的四种迁移学习算法，扩展迁移学习方法的应用领域。.迁移学习应用层次上，开展了包括实现人脸识别迁移系统和生物图像数据分类系统等工作研究。人脸识别迁移系统可以应用与不同人脸数据集之间信息的迁移，有效解决了标签缺少或数据量小的实际问题。生物图像分类系统包含基于多秩回归的生物图像数据分类算法和基于模式收缩的子空间弱监督聚类算法两种算法，可以有效完成生物图像数据分类聚类任务。