【技术实现步骤摘要】
本专利技术涉及模式分类的，尤其涉及一种基于自编码器的非负表示分类方法及系统。
技术介绍
1、基于稀疏表示的分类方法(sparse representation-based classification，src)认为，自然信号或数据可以通过少量的基向量线性组合来有效表示。src利用类似于范数稀疏性质的范数正则化表示向量，从而能够有效地提取数据的本质特征。协同表示分类方法(collaborative representation-based classification，crc)利用所有训练样本的线性组合来表示测试样本，并通过这种协同表示来进行分类。与稀疏表示分类方法不同，crc并不强制要求稀疏性，而是强调协同表示，利用范数正则化表示向量，从而提高分类效率。
2、非负表示分类方法(nonnegative representation-based classification，nrc)将测试样本表示为训练样本的非负线性组合，即要求表示系数非负。通过这种方法，数据的表示更加符合实际物理意义。在分类任务中，非负表示方法利用训练样本构建...
【技术保护点】
1.一种基于自编码器的非负表示分类方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于自编码器的非负表示分类方法，其特征在于，获取用于图像模式分类的训练样本集，表达式为：
3.根据权利要求1所述的基于自编码器的非负表示分类方法，其特征在于，对所述训练样本集进行预处理的过程包括：
4.根据权利要求2所述的基于自编码器的非负表示分类方法，其特征在于，提取测试样本在训练样本集上的表示系数与映射矩阵的过程包括：
5.根据权利要求4所述的基于自编码器的非负表示分类方法，其特征在于，构建优化问题的过程包括：
...【技术特征摘要】
1.一种基于自编码器的非负表示分类方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于自编码器的非负表示分类方法，其特征在于，获取用于图像模式分类的训练样本集，表达式为：
3.根据权利要求1所述的基于自编码器的非负表示分类方法，其特征在于，对所述训练样本集进行预处理的过程包括：
4.根据权利要求2所述的基于自编码器的非负表示分类方法，其特征在于，提取测试样本在训练样本集上的表示系数与映射矩阵的过程包括：
5.根据权利要求4所述的基于自编码器的非负表示分类方法，其特征在于，构建优化问题的过程包括：
6.根据权利要求5所述的基于自编码器...
【专利技术属性】
技术研发人员：李子奇，宋宏程，陈智霖，张永宏，尹贺峰，王振宇，
申请(专利权)人：无锡学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。