关键词： 脊髓损伤   运动想象   脑机接口   图卷积神经网络   模式识别  

摘要： 脊髓损伤会导致不同程度的运动障碍,是一种严重的神经功能障碍,需要及时治疗和康复治疗来提高生活质量和减轻痛苦,康复训练旨在通过训练和物理治疗提高肢体功能、恢复生活自理能力和提高生活质量。目前,脑机接口技术已经被应用于脊髓损伤的康复治疗中。基于运动想象的脑机接口系统能够辅助脊髓损伤患者进行康复训练,通过分析脑电信号对运动想象任务进行解码,实现大脑和外部控制设备的交流。本文立足于脑机接口系统的信号处理模块开展研究,利用图卷积神经网络及图卷积神经网络变体实现端到端的特征提取和分类,并对脑电信号进行相关分析和对脑机接口系统进行评估,主要内容有:1.提出一种基于相干性网络的图卷积神经网络算法,该算法将基于相干性网络的多通道脑电特征构造为图形信号,然后对运动想象任务进行分类。与传统的图卷积神经网络不同,基于相干性网络的图卷积神经网络方法使用脑电信号的相干性网络来确定运动想象期间的功能连接,这些功能连接用于表示不同运动想象任务中脑电信号通道之间的内在连接,该方法最终取得了优异的效果。2.本文还提出两种基于改进S变换的图卷积神经网络变体算法,分别是基于改进S变换的残差图卷积神经网络算法和密集图卷积神经网络算法。改进S变换通过调整两个自适应参数能够获得最佳的时频域能量集中。残差图卷积神经网络由多个残差块组成,每个残差块由两个卷积层组成,通过将残差结构应用于图卷积神经网络,提高模型的学习表示能力,解决梯度消失问题。密集图卷积神经网络通过引入密集连接的方式来解决梯度消失和参数数量过多的问题,密集图卷积神经网络中每个卷积层的输入不仅仅来自前一层的输出,还来自之前所有层的输出,这种连接方式使得网络更好地共享特征。实验结果表明,这两种算法可以应用于基于运动想象的脑机接口系统中。3.本文还进行脑电信号的相关分析实验和脑机接口系统评估实验。脑电信号的相关实验包括统计分析、生理现象分析和脑网络分析,脑机接口系统通过信息传输速率进行评估。本文的研究工作有利于进一步推动深度学习算法在脑机接口系统中的研究,推动基于运动想象的脑机接口系统在康复医疗领域的发展。

关键词： 公路货运   特征分析   模式识别   网络基序   位置预测  

摘要： 货物运输是物流的中心环节之一,并与物流运作的各个环节息息相关,对于联结社会生产的各个部分具有至关重要的作用。公路运输是货物运输的主要方式之一,承担超过70%的货运任务。随着网络通信技术和货运匹配平台的发展,公路货车司机在信息获取的时间和空间范围上有显著提升,货车司机可以单独营运而无需长期的规划和总体的货运信息。在这种背景下,大量货车的营运行为完全取决于货车司机个人的营运策略和偏好。为了理解公路货运活动日益复杂的情况,越来越需要更有效地识别货运车辆出行特征和营运模式特点。针对上述问题,本文以公路货运车辆GPS轨迹数据为基础,分析货运活动特征,识别货车潜在的营运模式。本文将货车的营运特征分为空间营运特征和出行营运特征,并从这两方面进行模式分析。为挖掘货运活动规律,本文首先对货车活动的时空特征进行分析,发现货运活动受空间范围和司机能力限制。货车日平均营运里程通常在200km以内,并且活动范围通常在直径600km以内,而货车的连续工作天数一般限制在五天。基于货车的活动特性,引用网络基序的概念识别货车空间营运模式,发现货车营运活动的空间位置关系多达90%可以用20个图案来描述。此外,本文从空间范围、营运强度和营运稳定性三个维度建立了用于评价货车出行营运特征的指标体系,并通过FCM聚类算法识别货车出行营运模式。分析结果显示货车存在四类不同的稳定性模式,以及四类不同的出行链模式。可预测性是了解不同群体货车特征的重要信息也是出行特征分析的重要内容。因此,本文对不同货车群体的可预测性进行统计分析,结果表明稳定性高、营运强度低并且空间活动范围小的货车群体具有最高的位置预测精度,群体中80%的车辆的预测准确率超过80%。本文的研究结果揭示了货车的空间移动和活动强度规律,识别了货车不同的营运模式以及他们的可预测性差异,帮助理解货车活动特性,有助于评估政策对货运流动产生的影响以及制定相关政策优化公路货运网络布局,有利于货运系统优化、城市规划和移动预测建模等工作。

关键词： 突触晶体管   突触塑性   中空纳米纤维   水诱导法   模式识别  

摘要： 近几年来,随着人工智能（AI）和大数据得到迅猛发展,模式识别、视频处理、数据库引擎、网络路由器等数据密集型计算应用急剧增加,当前运算体系的算力需求获得爆发式增长。基于传统的冯诺依曼结构的计算体系,其突出特点是数据处理与数据存储方面是相互分离的,其微缩化进程受限于日益逼近物理极限的制程工艺,难以再通过遵循摩尔定律来实现更小尺寸的高效处理模式,应对超大规模的数据量时,也有些许吃力,亟需寻找一种全新的计算范式。反观人脑却是一个特别理想的典范,人脑的中枢神经系统是一个多核心并行的存储与计算架构,百亿级的神经元和突触具有高效并行计算、高容错和低功耗运行等优势。基于可塑性连接构建的超大规模、超高复杂度的神经网络比当今已知的计算机系统具有更加强大的存储与计算能力。目前,研究人员通过对大脑神经网络功能和结构的深入研究已开发了诸多类脑仿生的器件,其中离子栅突触晶体管由于其工作机理和结构与生物突触十分相仿,可用于探索其在类脑计算等领域的应用。本研究中分别采用静电纺丝技术和溶胶凝胶技术构筑了离子栅突触晶体管,并且进行了多种生物突触可塑性的模拟,探索了突触晶体管的简单仿生应用。具体研究内容如下:1.采用简便易行的无毒水诱导法结合溶胶凝胶技术,以乳糖-柠檬酸水溶液作为离子液,在低温下制备出基于玻璃衬底的氧化铟（In2O3）突触晶体管,利用栅电解质中离子的弛豫现象分别在低、高脉冲电压下,模拟了神经突触的短程塑性和长程塑性,并利用实验测量了其增强和抑制特性,进一步开发了用于图像识别的人工神经网路,该网络的测试识别率高达94.6%。本研究为开发环保、经济和高性能的神经形态电子器件提供新的实验依据。2.采用静电纺丝技术并结合柯肯达尔效应制备了中空形态的SnGaO纳米纤维,通过控制退火时的升温速率,实现了对纳米纤维形态的调控。并结合乳糖-柠檬酸离子液构筑了离子栅突触晶体管。该器件成功模拟了多种生物突触功能,实现了理想的线性电导调制和优异的长程塑性。研究发现,中空形态的纳米纤维可增大离子耦合界面的面积,进而显著增强突触晶体管的长程塑性,为调控突触晶体管的长程塑性提供了新策略。

关键词： 相似度量  

摘要： 相似性度量 (SM) 和相异性度量 (DM) 在分析和理解物件、资料、图像或模式之间的关系方面发挥着重要且至关重要的作用。它们提供了一种方便有效的方法来量化物件之间的相似度或不相似度，这在影像处理、资料采撷、医学诊断（MD）、模式识别（PR）和多准则决策等各种应用中非常有用。相似性度量 (SM)和相异性度量 (DM)的研究一直是研究人员在该主题领域进行调查的一个有吸引力的研究课题。尽管文献中针对各种模糊方法提出了许多相似性度量 (SM)，但仍然有很多未探索的领域，特别是图形模糊环境（PFE）和T-球形模糊环境（TSFE）下基於Hausdorff度量的相似性度量 (SM)。在本论文中，我们使用基於 PFE 和 TSFE 的 Hausdorff 度量的相似性的研究来成就此一未探索的领域。在此过程中，我们最初提出了图形模糊集（PFS）的Hausdorff距离度量的一些新定义，这与应用于集合的Hausdorff度量的核心原则相一致。为了增强这些提出的 PFS Hausdorff距离的理论特性，我们建立了进一步支援的数学定理。然後，我们使用新引入的 PFS Hausdorff距离制定相似性度量，以进一步构建 PF 多准则群体决策 (MCGDM) 方法、PF 医疗诊断方案 (PF-MDS) 和 PF 模式识别技术 (PF-PRT) ）。这些方案随後分别应用於解决 PFE 下的 MCGDM、MD 和 PR 的现实问题。此外，我们还基於 TSFS 的 Hausdorff 距离扩展了我们提出的 SM，并使用它们来设计 TSF-MCGDM 方案。然後将所提出的 TSF-MCGDM 方案应用於解决决策问题，以突显其有用性和优势。通过直观的数值示例和现实问题，进一步探讨了我们提出的 PFE 和 TSFE 方案的实用性和可行性，以展示其应用潜力。数值分析结果表明，所提出的方案是有效的，适合解决 PFE 和 TSFE 下的 MCGDM、医学诊断和模式识别相关问题。

关键词： 非线性期望   φ-max-mean方法   随机最优控制   广义矩估计   回归模型   不平衡分类  

摘要： 如何度量随机事件的不确定程度一直是概率统计领域的重要问题,Kolmogorov[42]在1933年建立的概率空间(Ω,F,P)成为一个重要的数学工具,并且广泛应用于金融数学、信息科学及交叉学科领域。然而,通过对实际数据的分析,概率模型P本身就带有不确定性,这种对概率模型的错误指定可能会使原有的经典方法失效,如何在模型不确定的情况下研究实际问题成为数学与交叉学科领域备受关注的问题。Peng[56]在2004年提出的非线性期望空间(Ω,H,ê)概念,为模型不确定性的度量和计算提出了全新的解决方案,其核心观点是假设模型中的随机变量服从一族分布,而不是确定的分布P,这种方法避免了因对分布的错误指定而造成的模型偏差。近十余年,随着非线性期望理论体系的不断成熟和完善,将其应用于实际问题的建模和求解成为该领域的一个重要研究方向。在非线性期望框架下,本文将非线性大数定律、最大分布以及G-正态分布等理论成果应用于解决数学与交叉学科领域中的实际问题。具体来说,本文的核心思想是通过非线性期望中的次线性期望概念,对分布不确定下的金融与模式识别领域中的热点问题建立更稳健的模型;通过对模型求解,得到与经典中相对应的结果;最后通过在真实数据集上的实验对比,来证实本文所提出方法的有效性。本文的创新性在于:利用非线性期望理论能克服模型的不确定性这一优势,在数据集分布不确定的情况下,分别研究了理性预期模型中参数的广义矩估计(GMM)和模式识别中的不平衡分类问题,得到了更加稳健、精准的估计预测方法,并在多个公开的数据集上验证了方法的有效性。在理性预期模型的参数估计问题上,多个股票指数上的假设检验结果显示,分布不确定下的理性预期模型要比经典的模型更加符合实际市场的特点;在不平衡分类问题上,多个数据集上的预测结果表明,本文提出的模型预测方法比很多经典算法更准确。总体来说,本文得到的结果将非线性期望理论的应用进一步拓展到交叉学科领域,验证了非线性期望的理论成果在解决实际问题时的有效性,并且为相关领域未来的研究提供了一种新的可能。具体的创新点包括:1.利用非线性期望,在分布不确定下刻画了一类理性预期模型,并用广义矩方法(GMM)对模型达到最优时的正交矩条件进行了假设检验。通过与经典模型的检验结果对比,验证了通过非线性期望研究此类问题的有效性;2.考虑了实际样本的分布不确定性,针对不平衡的二分类问题提出了两种分类方法,并在10个公开的数据集上进行了实验。实验结果表明,两种新提出的分类方法比大部分经典的分类算法更为精准;3.在时间序列的早期分类问题中,通过次线性期望理论,为一类经典的早期时序分类器引入了均值不确定性,进而提出了两种改进算法。通过在13个公开数据集上的实验对比,改进后的算法在早期性与准确率两个指标上均优于经典算法。文章中各章节的主要内容如下:第1章为绪论部分,主要介绍了本文的研究背景、研究内容以及创新点。第2章为预备知识部分,为了让读者能更好的理解本文,这一章对本文所涉及的非线性期望理论和相关应用领域的发展做了基础性的介绍和回顾。第3章研究的是分布不确定下的动态理性预期模型,并通过广义矩方法(GMM)得到了模型的参数估计与拒绝概率。在这个问题中,我们利用非线性期望来刻画消费的预期效用,并根据投资代理人对收益与风险的态度,在两种边界情况下分别讨论了参数估计问题,给出了实际问题中利用广义矩方法(GMM)进行模型检验的步骤。最后在三个真实的股票指数上比较了两种模型与经典模型的假设检验结果,结果显示非线性期望框架中的两种模型拒绝概率更低,更符合实际市场的特点。第4章在分布不确定下,研究了类别不平衡的分类问题,即当某类样本数相对较少时的类别预测问题。基于次线性期望理论中的G-正态分布和最大分布,我们为经典回归模型中的误差项引入了波动率不确定性和均值不确定性,并相应地提出了波动率不确定和均值不确定方法。具体做法是通过最小化最差情况下的训练误差,得到均值和波动率不确定性的估计量,用于修正经典的回归估计。我们在类别不平衡的模拟数据集和10个真实数据集上进行了实验,通过比较均值不确定方法、波动率不确定方法和其他21种经典的不平衡分类方法在各评价指标上的表现,验证了两种分布不确定的方法在不平衡分类中的有效性。第5章在第4章的基础上,将均值不确定方法应用于时间序列的早期分类中(如疾病的早期诊断)。将均值不确定方法与早期时序分类中经典的Teaser模型结合,提出了两种加强型Teaser算法,避免了因样本分布的错误指定而造成的预测偏差,使之更适应不平衡分类的场景。通过在13个公开数据集上的实验对比,结果显示改进后的算法在准确率指标上优于经典的早期时序分类方法,同时停止观测的时间(诊断时间)也位于前列。第6章对全文给出了总结,并给出了未来的工作方向。

关键词： 肌电控制   肌电(EMG)   One-shot学习   分类语义对齐损失   跨场景   跨用户  

摘要： 随着人机交互设备融入人类生活的方方面面,人和机器之间的互动更加密切。在计算设备的辅助下,使得截肢者的康复、虚拟/增强现实(AR/VR)的应用、工业自动化的部署成为可能。基于表面肌电的模式识别作为人机交互的重要实现方式,因其抗干扰能力强、噪声环境的适应性能力强等特点备受青睐。近年来,人机交互技术成为工业界的研究热点,使得肌电控制技术不仅被应用于假肢控制,更可以应用于消费电子领域。然而,消费电子往往对鲁棒性要求更高,即通常会跨场景使用和/或跨用户使用。具体而言,一组控制指令集难以实现自然的交互,因此面临不同的使用场景需要肌电设备能够做到快速切换指令集;类似地,肌电控制产品往往需要在多个用户之间交替使用,而肌电信号因其非平稳随机特性导致不同用户之间差异巨大,导致一个肌电控制产品跨多个用户使用时表现欠佳、甚至完全不工作。因此,能够在多个用户之间方便、快速切换的鲁棒肌电控制很有必要。肌电模式识别(Myoelectric Pattern Recognition,MPR)作为当前流行的的肌电控制实现方法,应具备鲁棒于新动作、鲁棒于新用户的能力。而传统的肌电控制方法面临这些挑战时往往用户体验较差、识别率折损严重。本文围绕鲁棒于新动作、新用户的肌电模式识别提出一系列解决方案:(1)针对鲁棒于新动作模式识别,本研究旨在开发一种基于One-shot学习的灵活肌电模式识别方法,该方法能够方便地切换不同的使用场景,从而减轻再训练负担。首先,构建基于孪生神经网络的One-shot学习模型,以评估任何给定样本对的相似度。在涉及一组新的动作类别和/或一个新用户的新场景中,每个类别最少只需要一个样本就可以构成一个支持集。这一支持集将被用于快速部署适合于新场景的分类器,该分类器通过从支持集中选择出与待决策样本最相似的类别来对未知待决策样本进行分类。通过在不同场景下进行MPR的实验,评估了所提出方法的有效性。该方法在跨场景条件下实现了超过89%的高识别准确率,并且显著优于其他常见的One-shot学习方法和传统MPR方法(p<0.01)。本研究证明了应用One-shot学习快速部署肌电模式分类器以适应场景变化的可行性。它为提高肌电交互的灵活性提供了一种有价值的方法,以实现在医疗、工业和消费电子领域的广泛应用的智能手势控制。(2)针对鲁棒于新用户的模式识别,本研究旨在开发一种基于分类语义对齐损失(Classification and Contrastive Semantic Alignment Loss,CCSA)函数的跨用户肌电模式识别方法,该方法通过计算不同领域之间数据分布的距离,缩小相同类别数据之间差异,扩大不同类别数据之间的距离,以提高分类器在新用户上的识别率。所提方法是一种可以在领域泛化和领域适应间任意切换而无需改变结构的模型。一方面,不具有新用户标签数据时,利用源域数据构建校准数据集,通过计算校准数据集中数据之间的分布距离,生成一个通用的特征空间,用来提高该模型在新用户上的泛化能力。另一方面,在具有新用户的标签数据条件时,通过计算出原始用户和校准数据集的分布距离,通过CCSA缩小两个分布的距离,以提高对新用户的自适应性。最后,通过在不同场景下进行跨用户MPR的实验,评估了所提方法的有效性。所提方法在各种跨用户的极端条件下实现了均超过73%的识别率,显著优于其他迁移学习的跨用户MPR方法(p<0.05)。本研究证明了应用CCSA损失可以提高MPR的泛化能力和自适应性。它为肌电交互在消费电子领域提供了一种先进的部署方法。

关键词： 人工嗅觉系统   MEMS气敏传感器   传感器阵列   模式识别  

摘要： 在煤炭生产作业中,不可避免会遇到易燃易爆、有毒有害的气体。气体泄露导致的爆炸或中毒现象时有发生,严重危害着工作人身安全。因此,气体检测是预防安全事故发生的必要手段,常规的气体检测手段面临着仪器昂贵、操作繁琐和敏感性差等缺点,不适用于矿井一类的复杂环境。但人工嗅觉系统的快速发展让气体检测手段变得丰富起来。目前,关于人工嗅觉系统的研究主要集于传感器制备、模式识别算法、应用设备等方面。随着物联网的发展,人们对小型化、低功耗化、智能化的人工嗅觉设备的需求变得愈加迫切,而制备低功耗、微型化的气敏传感器正是满足此需求的重要前提。考虑到微电子机械系统(Micro Electro Mechanical System,MEMS)在微型与精准上的造诣,本文基于MEMS技术制备了针对甲烷和一氧化碳气体的MEMS气敏传感器,组成传感器阵列,并经过多项对比,确定了相对最优的模式识别算法,构建了一项低功耗、微型化、高灵敏度的人工嗅觉系统,实现混合气体的检测。主要研究工作如下:(1)研究了一种低功耗、微型化的MEMS气敏传感器,来解决人工嗅觉系统中传感器功耗高、体积大以及不易批量制作等问题。采用磁控溅射法制备了纳米级的气敏薄膜,作为在MEMS气敏传感器中的气体敏感材料层,同时为提高传感器对甲烷和一氧化碳气体的选择性,提出两种贵金属修饰气敏薄膜的方法。对MEMS气敏传感器性能评估后,筛选适用传感器,构建MEMS气敏传感器阵列作为感知前端。(2)基于机器学习的混合气体模式识别算法研究。以构建的MEMS气敏传感器阵列为基础,搭建人工嗅觉系统。采集混合气体响应数据,用传统的机器学习为核心算法模型,完成混合气体识别。传统的模式识别需建立在特征数据集上,本文通过手动提取特征,结合主成分分析法降低数据维度,制成特征数据集,在支持向量机(Support Vector Machine,SVM)和BP神经网络模型,得到气体的分类结果。实验证明,小样本情况下,两种模型的分类准确率均可到达80%以上,SVM算法分类准确率更高。(3)基于深度学习的混合气体模式识别算法研究。鉴于传统模式识别中信号处理、特征提取和特征选择等步骤较为繁琐,提出了一种将原始数据通过SG滤波结合一维卷积网络混合气体识别方法。同时,考虑到如今图像识别网络的深度应用,采用格拉姆角差场(Gram angular difference field,GADF)将MEMS传感器阵列的一维响应信号转换为图像,并结合图像识别网络完成混合气体识别。结果显示,一维卷积神经网络最为适合传感器数据实现混合气体识别,小样本下可实现完全分类,其他方法也有着高于90%的识别准确率。(4)实验对比分析。对不同模式识别算法的人工嗅觉系统进行实验对比分析,筛选出最为适合的模式识别算法,构建出完成的用于识别混合气体的人工嗅觉系统。

关键词： 人工蜂群   复杂疾病   全基因组关联研究   单核苷酸多态性   遗传互作  

摘要： 复杂疾病往往是由多种遗传因素共同作用导致,遗传机理复杂,难以准确地识别和解释。全基因组关联研究致力于通过识别单核苷酸多态性(Single nucleotide polymorphism,SNP)位点与复杂疾病之间的关联,揭示其遗传机理。然而,随着数据规模的增加,SNP之间的互作模式也变得越来越复杂。因此,有效地识别SNP互作模式成为目前生物信息领域的研究热点之一,对研究复杂疾病的发病机制和制定后期治疗方案也具有重要意义。本文以仿真疾病模型和真实的复杂疾病数据为基础,以优化的人工蜂群(Artificial bee colony,ABC)搜索方法为手段,致力于识别与复杂疾病发生发展相关的SNP互作模式。具体研究内容如下:(1)针对二阶SNP互作模式识别问题,提出了一种基于无标度网络的多目标ABC方法。首先,通过复杂网络结构指导蜂群迭代更新,利用无标度网络具有的低度-度系数等特性使低质量的解更容易向高质量的解趋近。其次,在搜索过程中使用多目标策略和对立学习策略,有效保证了种群的多样性。最后,方法在仿真数据集和真实年龄相关性黄斑变性疾病数据集中分别进行实验,表现出了良好的识别性能。(2)针对存在边际效应的高阶SNP互作模式识别问题,提出了一种基于贡献的自适应多种群ABC方法。首先,通过基于贡献的特征空间分组策略提高方法处理大规模数据的能力。其次,利用基于强化搜索的更新策略自动调整食物源的正反选择,强化ABC的搜索能力。然后,通过自适应迭代策略实现对计算资源的合理利用。最后,在仿真数据集和真实疾病数据集中进行实验,证明该方法能够有效识别有边际效应的高阶SNP互作。(3)针对不存在边际效应的高阶SNP互作模式识别问题,提出了一种基于自调整随机分组的自适应ABC方法。首先,利用基于自调整的随机分组策略提高SNP组合被分到同一子集中的概率。其次,通过基于方差的自适应迭代策略,在保证种群多样性的同时实现对计算资源的合理利用。然后,利用解的保留策略优化侦查蜂阶段对控制参数的依赖。最后,将该方法应用于仿真数据集和真实复杂疾病数据中,证明其能够有效识别无边际效应的高阶SNP互作。实验结果表明,本文提出的方法与同类识别方法相比在互作模式识别中更具优势,能够更稳定、更有效的识别到与复杂疾病相关的遗传互作模式。

关键词： 雷达工作模式识别   域适应   迁移学习   损失函数   迁移界限  

摘要： 随着雷达电子技术的迅速发展以及雷达电子侦察面临的越来越复杂的环境,侦察截获得到的雷达辐射源信号呈现不完整、小样本的复杂特点,致使雷达对抗装备侦察效能急剧下降。现有的雷达工作模式识别方法需要大量的训练数据,已难以适应日益复杂的雷达电子对抗环境。深度学习与迁移学习广泛应用于图像识别、语音识别、自然语言处理、故障诊断和手写字符识别等诸多领域。本文针对侦察截获的小样本雷达数据以及雷达领域包含不同类别时,展开基于迁移学习的雷达工作模式识别研究。 首先,引入迁移学习思想,针对同构标签空间下的小样本雷达工作模式识别展开研究。小样本雷达数据条件下,现有域适应算法无法有效对雷达工作模式特征迁移学习,提出基于雷达工作模式特征中心对齐的域适应算法,实现领域间雷达特征知识迁移。雷达特征中心对齐针对领域分布差异较大时,MMD域适应算法会导致领域间不同类别特征出现错误适配的问题,对领域间的特征适配进行优化。特征中心对齐在域适应过程中将小样本雷达特征向其特征中心对齐,在特征空间中缩短小样本雷达特征与其特征中心的距离,减小两个领域间的分布差异,提高领域间的可迁移性。 其次,结合迁移学习,针对异构标签空间下的小样本雷达工作模式识别展开研究。构建小样本条件下的雷达工作模式识别模型,并提出基于类内-类间中心损失函数用于雷达特征学习。类内-类间中心损失函数侧重于表征学习同类别雷达特征的聚集性以及不同类别雷达特征间的差异性,基于特征空间中雷达特征之间的位置关系获取区分度更强的特征表达。为最大化迁移领域间的知识,本文通过分析卷积层与特征的关系,提出迁移可共享的雷达工作模式特征知识。 最后,对小样本条件下的雷达工作模式迁移学习界限进行分析,解决何时迁移这一核心问题。迁移学习界限对两个领域的分布差异进行理论分析,对迁移学习后的目标域模型分类误差进行上界界定。通过迁移学习界限分析,利用源域大量带标签数据辅助目标域小样本数据学习,使目标域模型的分类误差达到最小。