一种基于稀疏表示的红外光谱数据分类识别方法技术

本发明专利技术公开了一种基于稀疏表示的红外光谱数据分类识别方法，其技术方案是利用稀疏表示的算法用训练样本对预测样本进行线性稀疏表示，实现预测样本的快速分类。具体步骤为：(1)构造训练样本矩阵；(2)对训练样本矩阵进行标准化处理；(3)求解稀疏解；(4)根据某一类稀疏解以及样本信息对预测样本进行估计。(5)类别判决。目前现有的对光谱数据的模式识别方法往往需要平滑，变量选择等预处理方式或者需要空间投影、傅立叶变化等算法来提升分类算法的有效性。本发明专利技术提供了一种不需要光谱数据进行预处理及相应的变化的分类方法，通过稀疏地线性表示就能找到与预测样本相近的训练样本来实现分类，操作简单，速度快。

A method for classification and recognition of infrared spectral data based on sparse representation

The invention discloses a classification and recognition method of infrared spectral data based on sparse representation, and its technical scheme is to use sparse representation algorithm to make linear sparse representation of prediction samples with training samples, and realize the fast classification of prediction samples. The specific steps are as follows: (1) construct the training sample matrix; (2) standardize the training sample matrix; (3) solve the sparse solution; (4) estimate the prediction sample according to a sparse sample and sample information. (5) category judgment. At present, the existing pattern recognition methods for spectral data often need smoothing, variable selection and other preprocessing methods, or need space projection and Fu Liye transformation algorithm to improve the effectiveness of classification algorithm. The invention provides a classification method without spectral data preprocessing and corresponding changes. By sparse linear representation, we can find training samples similar to the predicted samples to achieve classification, with simple operation and fast speed.

【技术实现步骤摘要】
一种基于稀疏表示的红外光谱数据分类识别方法
本专利技术涉及红外光谱数据分类识别方法，具体是指一种基于稀疏表示的红外光谱数据分类识别方法。
技术介绍
红外光谱检测具有快速、安全、低成本、无损的特点，用红外光谱来对物质进行快速检测是一种行之有效的办法。但在用算法对光谱数据进行快速识别的时候往往需要平滑，变量选择等预处理方式或者需要空间投影或者傅立叶变化等算法来提升分类算法的有效性，但是这些过程对于分类并没有实际的意义。因此，亟需一种能减少对红外光谱数据进行特征选择或者空间变换之类的预处理过程，从而实现对红外光谱数据快速分类识别。
技术实现思路
本专利技术实施例所要解决的技术问题在于，提供一种基于稀疏表示的红外光谱数据分类识别方法，该方法能够快速实现对红外数据进行分类识别，同时避免了红外数据需进行特征选择或者空间变换之类的预处理过程。为实现上述目的，本专利技术的技术方案是包括以下步骤：S01：选择目标样本y，明确某一个需要识别其红外光谱数据类别标签的样本，做成行为维度列为1的矩阵；S02：构造训练样本矩阵,将已获知类别标签的训练样本的红外光谱数据排成行为维度，列为样本数的形式，并且同类样本放在本文档来自技高网...

【技术保护点】
一种基于稀疏表示的红外光谱数据分类识别方法，其特征在于包括以下步骤：S01：选择目标样本y，明确某一个需要识别其红外光谱数据类别标签的样本，做成行为维度、列为1的矩阵；S02：构造训练样本矩阵，将已获知类别标签的训练样本的红外光谱数据排成行为维度，列为样本数的形式，并且同类样本放在一起，构造线性系统y＝Ax中的A的矩阵，矩阵表示如下：A＝[A1，A2，...Ak]＝[v1，1，v1，2，...，vk，nk]；S03：对训练样本矩阵进行标准化处理，对每个训练样本除以对应训练样本的二维范数；S04：求解稀疏解，对于预测目标样本y，求解线性系统y＝Ax的解，对于红外光谱数据而言，其维度大于样本数，即...

【技术特征摘要】
1.一种基于稀疏表示的红外光谱数据分类识别方法，其特征在于包括以下步骤：S01：选择目标样本y，明确某一个需要识别其红外光谱数据类别标签的样本，做成行为维度、列为1的矩阵；S02：构造训练样本矩阵，将已获知类别标签的训练样本的红外光谱数据排成行为维度，列为样本数的形式，并且同类样本放在一起，构造线性系统y＝Ax中的A的矩阵，矩阵表示如下：A＝[A1，A2，...Ak]＝[v1，1，v1，2，...，vk，nk]；S03：对训练样本矩阵进行标准化处理，对每个训练样本除以对应训练样本的二维范数；S04：求解稀疏解，对于预测目标样本y，求解线性系统y＝Ax的解，对于红外光谱数据而言，其维度大于样本数，即线性系统y＝Ax是超定的，通过求使这个解的1阶范数最小来逼近0阶范数最小的稀疏效果，然后得到稀疏解x1；S05：根据某一类稀疏解以及样本信息对预测样本进行估计，...

【专利技术属性】
技术研发人员：陈孝敬，袁雷明，李理敏，于永爱，户新宇，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江,33