1.一种基于平衡主动学习和核范数正则化模型的手势识别方法，其特征在于，包括以下步骤：步骤1：构建基于脉冲神经网络的核范数正则化模型FNNR，所述核范数正则化模型FNNR设置有依次连接的输入层、隐藏层和输出层，所述隐藏层设置有依次连接的特征提取模块、自适应平均池化层和第一全连接层；

步骤2：采用前置自监督任务A和主动学习任务B对所述核范数正则化模型FNNR进行训练，优化模型参数，得到训练好的核范数正则化模型FNNR；

步骤3：采集模块实时采集手势图像数据a，并传递给预处理模块；

步骤4：所述预处理模块对所述手势图像数据a进行预处理操作，得到标准图形数据b并传递给编码模块；

步骤5：所述编码模块对所述标准图形数据b进行编码，得到编码数据c，并传递给训练好的核范数正则化模型FNNR；

步骤6：训练好的所述核范数正则化模型FNNR的输入层获取所述编码数据c，并对其进行卷积操作，得到卷积数据d，并传递给特征提取模块；

步骤7：所述特征提取模块对所述卷积数据d进行特征提取操作，得到特征数据e，并传递过自适应平均池化层；

步骤8：所述自适应平均池化层对所述特征数据e进行平均池化操作，得到池化数据f，并传递给第一全连接层；

步骤9：所述第一全连接层对所述池化数据f进行全连接操作，得到全连接数据g，并传递给输出层；

步骤10：所述输出层对所述全连接数据g进行全连接操作，并输出手势识别结果h；

在所述步骤2中，所述主动学习任务B包括以下步骤：

步骤B1：计算所述核范数正则化模型FNNR在第r次训练后的损失值LOSS，并根据所述损失值LOSS设定平衡因子μ，然后通过所述平衡因子μ生成对应的子池 R是训练总次数；

步骤B2：根据第r次训练的后验概率，从子池中选择K个样本进行标记；

步骤B3：重复步骤B1‑B2，当标记样本数量达到标签预算后，即完成训练；

在所述步骤B1中，所述核范数正则化模型FNNR的损失值LOSS计算公式如下：其中，h＝4，λ表示超参数，LCE为交叉熵损失，‖‖*表示计算核范数的数学符号，表示计算输出值 的核范数；θ表示旋转角度；

表示对应为标签yi的概率， 表示带标签的数据py,Θ对应为标签y的概率，py,Θ表示带标签的数据，T是脉冲序列的长度。

2.根据权利要求1所述的基于平衡主动学习和核范数正则化模型的手势识别方法，其特征在于：在所述步骤1中，所述特征提取模块设置有8个特征提取块，8个所述特征提取块结构一致，首尾依次连接；

每个所述特征提取块均设置有依次连接的第一卷积层、第一批归一化层、第一脉冲神经元层、第二卷积层、第二批归一化层、残差连接层和第二脉冲神经元层。

3.根据权利要求2所述的基于平衡主动学习和核范数正则化模型的手势识别方法，其特征在于：在所述步骤2中，所述前置自监督任务A包括以下步骤：步骤A1：采集模块获取具有N个样本的未标记的数据集X并编码，使用所述数据集X对所述核范数正则化模型FNNR进行训练；

步骤A2：在所述核范数正则化模型FNNR中计算所述数据集X中每个数据点的局部密度聚类距离δ，并根据所述局部密度聚类距离δ将所述数据集X按升序排序，得到有序数据集有序数据集XS中的第k个样本排序后表示为xk。

4.根据权利要求3所述的基于平衡主动学习和核范数正则化模型的手势识别方法，其特征在于：所述核范数正则化模型FNNR采用LIF神经元模型进行训练，所述LIF神经元模型的正向迭代公式如下：其中，l表示第l层脉冲神经网络的神经元数量，kτ表示衰减因子， 表示在时间t时第n层中的第i个神经元的膜电位， 表示在时间t时第l层脉冲神经网络中的第i个神经元的输出， 表示突触前输入，t表示时间常数，f()是激活函数；Vth是发射阈值，当神经元膜电位u超过给定阈值Vth时，神经元发出脉冲并重置膜电位为零； 表示突触权重， 是偏置，j表示任意数据点的标识；

由公式(2)可得 故所述LIF神经元模型的反向传播计算梯度公式如下：其中， 为第二个因子，表示LIF神经元的输出对膜电位求偏导； 为第一个因子，表示损失值loss对上一层神经元的输出求偏导； 为第三个因子，表示突触前输入对突触权重求偏导；LNNR表示损失值LOSS， 表示带标签的数据py,Θ对应为标签y的概率，py,Θ表示带标签的数据，T是脉冲序列的长度, 表示表示计算偏导。

5.根据权利要求4所述的基于平衡主动学习和核范数正则化模型的手势识别方法，其特征在于：所述核范数正则化模型FNNR的输出层计算公式如下：隐藏层计算公式如下：

6.根据权利要求5所述的基于平衡主动学习和核范数正则化模型的手势识别方法，其特征在于：所述隐藏层通过公式(1)‑(3)计算和更新神经元膜电位，每个所述特征提取块输出特征给输出层，最后每个神经元的发射率通过输出层被输出，表达式如下：其中， 表示对应为标签yi的概率；xi表示第i个数据点，即全连接数据g；

所述输出层计算出各种手势类别标签所对应的概率分布值，并将概率分布最大值所对应的手势类别标签作为手势识别结果h进行输出。

7.根据权利要求3所述的基于平衡主动学习和核范数正则化模型的手势识别方法，其特征在于：在所述步骤A3中，根据第一全连接层的输出结果，计算所述数据集X中每个数据点的局部密度聚类距离δ的计算过程如下：N个点的数据集X表示为 距离阈值dc的计算表达式如下：

其中，Di表示点xi与它最近邻间的距离，点xi的密度ρi的计算表达式如下：其中，dij表示xi和xj之间的欧氏距离；

对于给定的数据集 点xi的局部密度聚类距离δi的计算表达式如下：其中， 是数学符号表示任意， 表示对于任意的数据点j都满足公式(10)。

8.根据权利要求1所述的基于平衡主动学习和核范数正则化模型的手势识别方法，其特征在于：在所述步骤B1中，将所述有序数据集XS生成子池 的公式如下：其中， μ为平衡因子，L是第r次训练中的标记池，N是数据集X的图像总数，R是训练总次数，有序数据集XS中的第k个样本排序后表示为xk；

每个子池的样本个数为：

其中，μ的最小值为 每次训练至少标记K个样本；

在第一次训练中，采样器φ从已排序的未标记池XS中选择前K个数据，在第r次训练中，r>1，采样器φ选择K个最大后验概率最小的数据，由 的 计算得到，因此，新标记的数据 为其中， 为核范数正则化模型FNNR在第r‑1次训练后的输出， 是第r个子池，K是每个循环中需要标记的数据个数。