【技术实现步骤摘要】
本专利技术隶属于模式识别
,具体地说,涉及一种弹性网络约束自解释稀疏表示分类器的设计方法的设计方法。
技术介绍
分类器设计(Classifier Design)是模式识别领域一个重要的研究分支,特征提取是模式识别系统的重要组成部分,是模式分类识别的前提条件,但是如何对抽取到的特征进行最大限度地分类,则是模式识别的最终目的,是模式识别系统的核心单元。从分类决策的角度来看,有效地分类判别规则是降低错误识别率、提高模式识别精度的主要因素。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:Support Vector Machine)支持向量机方法是Corinna Cortes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、基于稀疏表示的分类器设计方法(英文:Sparse Representationbased Classifier)基于稀疏表示的分类器设计方法是由J.Wright等人于2009年提出的,该分类器设计方法首先将测试样本在所有训练集上进行稀疏编码,然后根据产生最小编码误差的类别决定分类结果。该分类器设计方法在多类分类中取得了很大的成功,然而,该分类器设计方法没有训练的过程,直接将每类训练样本构造相应子空间,并没有考虑该分类样本中每个个体对构造子空间的贡献,容易产生较大的拟合误差。3、基于协同表示的分类器设计方法( ...
【技术保护点】
一种弹性网络约束自解释稀疏表示分类器的设计方法的设计方法,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);(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:f(Sc)=||φ(Xc)-φ(Xc)WcSc||F2+2αΣn=1N|S·nc||1+β|βc||F2||φ(Xc)W·kc||22&le ...
【技术特征摘要】
1.一种弹性网络约束自解释稀疏表示分类器的设计方法的设计方法,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);(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: f ( S c ) = | | φ ( X c ) - φ ( X c ) W c S c | | F 2 + 2 α Σ n = 1 N | S · n c | | 1 + β | β c | | F 2 | | φ ( X c ) W · k c | | 2 2 ≤ 1 , ...
【专利技术属性】
技术研发人员:王立,刘宝弟,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
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。