基于核空间自解释稀疏表示的分类器设计方法技术

本发明专利技术涉及一种基于核空间自解释稀疏表示的分类器设计方法，含有以下步骤：读取训练样本，将训练样本映射到高维的核空间，在高维核空间对每一类训练样本进行学习，找出该类训练样本中每个个体对于构造该类训练样本子空间所做的贡献(即权重)，该类训练样本与权重矩阵的乘积构成词典，将所有类别的词典依次排列构成一个大的词典矩阵；对测试样本通过词典矩阵获得该测试样本在核空间的稀疏编码，用每一类的词典及词典所对应的稀疏编码拟合测试样本，并计算该拟合误差；拟合误差最小的类即为测试样本的类别。与现有技术相比，本发明专利技术结合核技巧和词典学习方法，一方面，考虑了特征的非线性结构，能够更加精确的对特征进行稀疏编码，另一方面，通过学习的方式训练词典，有效地降低拟合误差。从而大大提升分类器的性能。

【技术实现步骤摘要】
基于核空间自解释稀疏表示的分类器设计方法
本专利技术隶属于模式识别
，具体地说，涉及一种基于核空间自解释稀疏表示的分类器设计方法。
技术介绍
模式识别过程通常包含两个阶段，第一个阶段是特征提取，另一个是构造分类器和标签预测。分类器设计(ClassifierDesign)作为模式识别系统的一个重要环节，一直以来都是模式识别领域研究的核心问题之一。目前，主要的分类器设计方法有以下几种。1、支持向量机方法(英文：SupportVectorMachine)支持向量机方法是CorinnaCortes和Vapnik等于1995年首先提出来的，它旨在通过最大化类别间隔建立最优分类面。该类方法在解决小样本、非线性及高维模式识别中表现出许多特有的优势。然而，该类分类器只有少量的边界点(即支持向量)参与到分类面建立，如果边界点分布的位置不好，那么对于分类是十分不利的。2、基于稀疏表示的多类分类方法(英文：SparseRepresentationbasedClassifier)基于稀疏表示的多类分类方法是由J.Wright等人于2009年提出的，该分类方法首先将测试样本在所有训练集上进行稀疏编码，然本文档来自技高网...

【技术保护点】
一种基于核空间自解释稀疏表示的分类器设计方法，其特征在于：含有以下步骤：步骤一：设计分类器，其步骤为：(一)读取训练样本，训练样本一共C类，定义X＝[X1,X2,…,Xc,…,XC]∈RD×N表示训练样本，D是人脸特征维度，N是训练样本总的数目，X1,X2,…,Xc,…,XC分别表示第1,2,…,c,…,C类样本，定义N1,N2,…,Nc,…,NC分别表示每类训练样本数目，则N＝N1+N+,…+Nc+…+NC；(二)对训练样本进行二范数归一化，得到归一化的训练样本；(三)依次取出训练样本中的每一类，并对该类样本训练词典，训练词典的过程为：(1)取出第c类样本Xc,将Xc映射到核空间φ(Xc)；...

【技术特征摘要】
1.一种基于核空间自解释稀疏表示的分类器设计方法，其特征在于：含有以下步骤：步骤一：设计分类器，其步骤为：(一)读取训练样本，训练样本一共C类，定义X＝[X1,X2,…,Xc,…,XC]∈RD×N表示训练样本，D是人脸特征维度，N是训练样本总的数目，X1,X2,…,Xc,…,XC分别表示第1,2,…,c,…,C类样本，定义N1,N2,…,Nc,…,NC分别表示每类训练样本数目，则N＝N1+N2+…+Nc+…+NC；(二)对训练样本进行二范数归一化，得到归一化的训练样本；(三)依次取出训练样本中的每一类，并对该类样本训练词典，训练词典的过程为：(1)取出第c类样本Xc,将Xc映射到核空间φ(Xc)；(2)根据φ(Xc)训练基于稀疏编码算法的词典Bc，Bc表示第c类样本学习到的词典，该词典的训练需要满足约束条件，所述约束条件的目标函数为：式中，α为稀疏编码算法中稀疏项约束的惩罚系数，Sc为第c类核空间训练样本的稀疏表示矩阵，K为学习得到的词典的大小，是一个权重矩阵，其每一列表示核空间样本对构造词典中每个词条的贡献大小，词典Bc＝φ(Xc)Wc；(3)对步骤(2)中约束条件的目标函数进行求解，即对公式(1)求解，其求解过程为：固定Wc，更新Sc；随机产生矩阵Wc，将其带入约束条件的目标函数，这时该目标函数转化成为一个关于Sc的l1范数正则化最小二乘问题，即目标函数转化为：上述公式(2)可以简化为：κ(Xc,Xc)＝<φ(Xc),φ(Xc)>为核函数；进一步把公式(3)分解成一系列子问题求解；针对Sc中的每一个元素进行求解，并剔除掉与求解无关的项，则公式(3)可以简化为：

【专利技术属性】
技术研发人员：刘宝弟，王立，韩丽莎，王延江，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东;37