CN112257739B - 一种基于扰动压缩感知的稀疏表示分类方法 - Google Patents
一种基于扰动压缩感知的稀疏表示分类方法 Download PDFInfo
- Publication number
- CN112257739B CN112257739B CN202010890870.6A CN202010890870A CN112257739B CN 112257739 B CN112257739 B CN 112257739B CN 202010890870 A CN202010890870 A CN 202010890870A CN 112257739 B CN112257739 B CN 112257739B
- Authority
- CN
- China
- Prior art keywords
- class
- disturbance
- obtaining
- sparse representation
- samples
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000012360 testing method Methods 0.000 claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- IXJYMUFPNFFKIB-FMONCPFKSA-N pomp protocol Chemical compound S=C1N=CNC2=C1NC=N2.O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1.C=1N=C2N=C(N)N=C(N)C2=NC=1CN(C)C1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1.C([C@H](C[C@]1(C(=O)OC)C=2C(=C3C([C@]45[C@H]([C@@]([C@H](OC(C)=O)[C@]6(CC)C=CCN([C@H]56)CC4)(O)C(=O)OC)N3C=O)=CC=2)OC)C[C@@](C2)(O)CC)N2CCC2=C1NC1=CC=CC=C21 IXJYMUFPNFFKIB-FMONCPFKSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于扰动压缩感知的稀疏表示分类方法,包括:获得稀疏表示模型,获得每个类别测试样本对应的扰动字典,求解优化问题获得稀疏向量,获得各个类别测试样本对应的残差,获得具有最小残差的类别。现有稀疏表示方法大都假设训练样本能够线性表示测试样本,然而实际***中该假设往往不成立。针对这一问题,本发明将稀疏表示分类建模为扰动压缩感知模型,并通过求解扰动重建问题获得更优的字典矩阵和稀疏系数向量,从而提升分类准确率。
Description
技术领域
本发明涉及感知技术领域,尤其涉及一种基于扰动压缩感知的稀疏表示分类方法。
背景技术
稀疏表示分类(Sparse Representation Classification,SRC)的基本思想是:使用训练样本对测试样本进行表示,并采用L0稀疏范数或L1凸范数对表示稀疏进行约束。目前稀疏表示分类方案被广泛应用于手写识别、人脸识别等场景中,并被扩展至半监督分类、维数约简等机器学习技术。稀疏表示分类方法的数学模型为
y=Dα
其中,y∈RM为测试样本,D∈RM×N为训练样本构成的矩阵,x∈iNα∈RM为稀疏表示向量,即α最多只有K个非零值。
在实际的稀疏表示分类***中,***使用的训练样本和测试样本不可避免的会受到各种非理想因素的影响,例如,样本中必然会包含的高斯噪声,图像样本中的光线,灰尘和遮挡物,甚至硬件问题所导致的样本轻微畸变。如果在稀疏表示分类***设计中不考虑这些因素的影响,会导致稀疏表示分类***在实际应用中的准确率降低。
发明内容
为解决现有技术存在的局限和缺陷,本发明提供一种基于扰动压缩感知的稀疏表示分类方法,包括:
根据***输入的测试样本,获得稀疏表示模型,所述稀疏表示模型的计算公式如下:
y=(D+E)α
其中,E是扰动矩阵,表示已知矩阵D与理想字典矩阵之间的误差;
获得每个类别的测试样本对应的扰动字典,计算公式如下:
Hl:yl=(D+El)αl
其中,y1为第1类测试样本,E1为第1类测试样本对应的扰动字典,α1为第1类测试样本对应的稀疏向量;
求解如下的优化问题获得稀疏向量:
其中,λ是正则化参数;
获得各个类别测试样本对应的残差,计算公式如下:
获得具有最小残差的类别min||rj(y)||2。
具体而言,其对应的求解步骤包括:
步骤101:初始化r0=y,k=1;
步骤102:获得相关性最高的训练样本将上述训练样本加入候选支撑集T=T∪i;
步骤103:对于每个候选的类别j,选出支撑集中所有属于第j类的训练样本Tj,以及对应系数计算第j类对应的残差rj=y-D[Tj]xj;
步骤104:获得具有最小残差的类别
步骤105:获得具有最小残差的类别对应的修正参数,计算公式如下:
步骤106:获得具有最小残差的类别的优化字典,计算公式如下:
步骤107:更新残差
步骤108:若k=K,执行步骤109,否则重新设置k=k+1返回步骤102;
步骤109:获得支撑集位置的系数其余位置设置为零x[Tc]=0。
可选的,所述步骤102包括:
获得相关性最高的S个训练样本集合将上述训练样本加入候选支撑集T=T∪i。
可选的,还包括:
步骤201:初始化r0=y,
步骤202:获得相关性最高的K个训练样本集合将上述训练样本集合加入候选支撑集/>
步骤203:计算系数选择前K个最大系数的训练样本构成候选支撑集
步骤204:对每个候选的类别j,选出支撑集中所有属于第j类的训练样本Tj以及第j类的训练样本Tj对应的系数计算第j类的训练样本Tj对应的残差rj=y-D[Tj]xj;
步骤205:获得具有最小残差的类别
步骤206:计算第j类的训练样本Tj对应的修正参数,计算公式如下:
步骤207:计算第j类的训练样本Tj的优化字典,计算公式如下:
步骤208:更新残差
步骤209:若||rk||2≥||rk-1||2,执行步骤2010,否则返回步骤202;
步骤2010:计算支撑集位置的系数其余位置设置为零x[Tc]=0。
本发明具有下述有益效果:
本实施例提供的基于扰动压缩感知的稀疏表示分类方法,包括:获得稀疏表示模型,获得每个类别的测试样本对应的扰动字典,求解优化问题获得稀疏向量,获得各个类别测试样本对应的残差,获得具有最小残差的类别。
本实施例通过求解扰动重建问题获得更优的字典矩阵和稀疏系数向量,从而提升分类准确率。即使在所使用的训练样本中存在扰动的情况下,本实施例提供的技术方案亦能获得优良的性能,鲁棒性好,应用范围广。
附图说明
图1为本发明实施例一提供的CDPGOMP的分类精度与样本长度的关系示意图。
图2为本发明实施例一提供的CDPSP算法与OMP算法和SP算法相比的分类精度图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案,下面结合附图对本发明提供的基于扰动压缩感知的稀疏表示分类方法进行详细描述。
实施例一
由于本实施例提供技术方案基于扰动压缩感知技术来进行设计,因此需要介绍扰动压缩感知的相关背景。压缩感知是一个里程碑式的应用于信号处理的理论,其允许在对信号进行采集的同时完成压缩。具体而言,压缩感知技术通过使用随机测量矩阵对信号进行投影的方式得到压缩后的低维度数据,并保证能够从这些低维压缩数据中正确地重建出原始信号。
在某种意义上,压缩感知理论是对信息而不是对数据进行采样,在保证能够重建出原始信号的前提下,压缩样本的维度将由信号中信息的结构和内容决定。压缩感知技术在实际应用中面临着如下问题。由于压缩感知技术使用特制硬件直接获得压缩数据,而硬件***中往往包含着某些未知的非理想因素,因此压缩数据所经历的信号过程往往与***的原始设计之间存在微小差异。
也就是说,***预先设定的测量矩阵和实际使用的未知测量矩阵之间往往存在不一致,这就是测量矩阵的扰动问题。而扰动情况下的压缩感知问题也就被称为扰动压缩感知问题。
基于稀疏表示分类方案的理论基础是属于同一类别的样本之间具有高度相似性。因此,测试样本应该可以由属于同一类别的训练样本线性表示。假设在给定的训练集D=[D0,D1,...,Dj,...,DL-1]中共有L个类别的数据,每个类别的训练数据集中包含了Q个对应于该类别的训练样本/>
传统稀疏表示分类方案尝试通过选择K个训练样本构成的组合来线性地(稀疏地)表示测试样本。而这K个训练样本则来自属于不同类别的所有训练样本组成的训练字典D。测试样本y的类别标签由能够产生最低重构误差(残差)的样本组Dj所属的类别决定。
在理想情况下,如果已知测试样本y的类别为j,则y可以被近似表示为
其中,αj是第j类训练样本Dj的系数。而在实际场景中,测试样本y所属的正确标签是未知的。因此,对于未知类别的测试样本y,传统的稀疏表示分类设计思想是使用字典D中的所有训练样本进行表示,即
y≈Dα (1)
其中,αj对应于第j类样本的系数向量。理想情况下,系数向量α应该是稀疏的,即除了对应于与测试样本属于同一类的训练样本的位置以外,其余所有项均为零。这样一来,公式中的稀疏解α就可以通过求解如下的优化问题获得:
其中,L0范数定义为向量α中非零元素的个数。
然而,在实际场景中,***得到的稀疏向量α往往包含属于多个不同类别的训练样本的非零元素。因此,稀疏表示分类***中会针对每个类别构造出对应的只包含该类别训练样本的非零元素的稀疏向量。即,对于第j类仅保留属于该类别的H≤Q个训练样本的元素,对应的稀疏系数向量形式为
标记αj={αj,1,αj,2,...,αj,H}是第j类样本对应的系数向量,对应的训练样本为Dj=[d1,d2,...,dH],那么对应第j类的残差定义为
rj(y)=||y-Djαj||2,j=0,1,2,...,L-1
最后,测试样本y的类别则被定为具有最小残差的类别,即
label(y)=arg minj{||rj(y)||2}
由此可见,稀疏表示分类方案的核心在于公式(1)构成的稀疏表示模型及其对应的优化问题(公式(2))和求解算法。目前已有多种方法可以找到该问题的近似解,例如基于正交匹配追踪算法,广义正交匹配追踪算法,子空间追踪算法等重建算法。
传统稀疏表示分类方案假设测试样本位于由属于同一类别的训练样本组成的子空间中,即任何测试样本都能由同一类别中的训练样本线性表示。但是,在实际应用中,由于样本中的噪声等非理想因素的影响,大部分测试样本其实并不能由训练样本完全地线性表示,这导致稀疏系数向量α与测试样本y之间的相关性下降,进而导致稀疏表示分类方案的分类性能较差。
本实施例正是基于此问题,设计使用更优的字典矩阵用于表示测试样本。本实施例使用的字典矩阵由传统的字典基于扰动压缩感知技术进行优化得到,其能够更好地表示测试样本。因此,所得到的稀疏系数向量与测试样本之间保持高度相关性。为此,本实施例对稀疏表示分类***中的稀疏表示模型及其对应的优化问题进行了改进,给出了不同的具体衍生算法。
为了更准确地表示测试样本,本实施例将使用一个经过优化的字典矩阵取代传统稀疏表示分类中所使用的字典矩阵。该字典矩阵/>在训练样本组成的矩阵D的基础上,引入了一个用于修正的未知扰动矩阵E以获得更准确的表示模型,从而提升分类正确率。因此,本实施例的关键技术问题为基于扰动压缩感知技术,求解出优化的字典矩阵/>(即未知扰动矩阵E)及其对应的稀疏系数向量。
本实施例提供一种基于扰动压缩感知的稀疏表示分类方法,包括:获得稀疏表示模型,获得每个类别的测试样本对应的扰动字典,求解优化问题获得稀疏向量,获得各个类别测试样本对应的残差,获得具有最小残差的类别。
现有稀疏表示方法大都假设训练样本能够线性表示测试样本,然而实际***中该假设往往不成立。针对这一问题,本实施例将稀疏表示分类建模为扰动压缩感知模型,并通过求解扰动重建问题获得更优的字典矩阵和稀疏系数向量,从而提升分类准确率。
由于在实际应用中,大部分测试样本其实并不能由训练样本完全地线性表示,因此相比公式(1),更为准确的模型应该为
y=Dα+y⊥
其中,y⊥表示测试样本y与其线性表示Dα之间的误差。
由于矩阵D无法完全对测试样本进行线性表示,这一问题必然对分类产生影响。对此,本实施例使用一个更优的字典矩阵来对测试样本y进行线性表示。其中矩阵D是由所有训练样本构成的已知矩阵,而未知矩阵E则表示已知矩阵D与理想字典矩阵/>之间的误差。如果本实施例能够构建出更为理想的字典矩阵/>那么本实施例就能在测试样本和训练样本之间构建出更加准确的线性。通常y⊥也依赖于稀疏向量α,则将y=Dα+y⊥表示模型转变为
y=(D+E)α (3)
基于该模型求解稀疏表示向量α,能有效提升分类的准确性。可以发现,上式中的模型与扰动压缩感知的模型完全一致。因此,本实施例将基于扰动压缩感知理论,设计分类框架和相应的稀疏求解算法。为了与扰动压缩感知保持一致,后面将称矩阵E为扰动矩阵。
字典由两部分组成,其中只有由训练样本组成的矩阵D是已知的,另一部分矩阵E则是未知的。另外,由于不同类别的训练数据之间往往是独立产生的,因此可以假设每个类别中所对应的扰动是互不相同的。因此,本实施例针对每个类别的测试样本设计不同的扰动字典,即
Hl:yl=(D+El)αl (4)
基于以上观点,为了得到矩阵El和稀疏系数向量αl,本实施例将求解如下优化问题:
其中,λ是正则化参数。本实施例通过求解扰动重建问题获得更优的字典矩阵和稀疏系数向量,从而提升分类准确率。由此,本实施例给出基于扰动压缩感知的稀疏表示分类方法框架如下表1所示。
表1:基于扰动压缩感知的稀疏表示分类框架
针对上述分类框架,本实施例提出了多种求解算法。首先,本实施例根据扰动正交匹配追踪(Perturbed Orthogonal Matching Pursuit,POMP)算法提出了基于类别的扰动正交匹配追踪(Class-Depend Perturbed Orthogonal Matching Pursuit,CDPOMP)算法,如表2所示,该算法在每次循环中寻找合适的候选支撑集,并对每个类的字典矩阵进行独立优化。接下来,本实施例将详细说明CDPOMP算法中的字典优化机制。
根据公式(4)中给出的模型,各个类别所对应的扰动应该是不同的。为了实现这一点,本实施例以扰动正交匹配追踪(Perturbed Orthogonal Matching Pursuit,POMP)算法中的字典修正机制为基础,设计了算法中的字典优化机制。
原有的机制使用了由多个类别的训练样本组成的完整支撑集。在本实施例改进的机制中,仅基于属于支撑集中对应类别的训练样本来计算每个类别中的修正参数。由于每个类别的训练样本与其他类别的训练样本不同,因此针对不同类别计算得到的优化字典也不同。改进后的字典修正机制需要对每个可能的类进行分别计算,以在每次迭代中为每个类生成不同的修正字典。
为了降低计算复杂度,本实施例对该机制进行了进一步优化。在每次迭代中,仅对测试样本最有可能属于的类所对应的训练样本和残差来生成对应修正参数(即下述表2中的步骤3-6)。以此,本实施例提出的算法就可以确保每个类别中的优化字典互不相同,并以较低的复杂度提高分类性能。
表2:基于类别的扰动正交匹配追踪算法
更进一步,本实施例根据表1的框架,基于广义正交匹配追踪(GeneralizedOrthogonal Matching Pursuit,GOMP)算法提出了性能更好的基于类别的扰动广义正交匹配追踪(Class-Depend Perturbed Generalized Orthogonal Matching Pursuit,CDPGOMP),如表3所示。该算法中,本实施例优化了支撑集选择机制,提升了选择正确非零位置的速度,从而进一步提高分类性能。表2中所描述的CDPOMP算法的性能受限于字典优化机制计算中的误差。在CDPOMP算法的每次循环中,仅有一个非零位置被添加到支撑集中。因此,支撑集中的所有训练样本可能全都属于错误的类别,这导致字典修正机制不可避免地以错误的方式工作。作为改良算法的CDPGOMP算法中,由于支撑集的拓展速度得到显著提升,其包含训练样本更多。因此,支撑集中存在属于正确类别的训练样本的可能性更高,字典修正机制基于正确类别工作的可能性也高。也就是说,本实施例有效避免了字典修正机制以错误方式工作的情况的出现,从而降低了错误分类的比率。
表3:基于类别的扰动广义正交匹配追踪算法
最后,本实施例根据表1的框架,基于子空间追踪(Subspace Pursuit,SP)算法提出了基于类别的扰动子空间追踪(Class-Depend Perturbed Subspace Pursuit,CDPSP)算法,如表4所示。CDPSP算法在一次循环中同样选择并添加多个幅度相关性最大的训练样本进入支撑集(表4中的步骤2)。在这之后,引入支撑集精炼机制,通过对应的投影系数对支撑集进行修剪操作(表4中的步骤3)。该机制可以有效排除支撑集中属于错误类别的一部分训练样本,从而进一步降低了字典修正机制运行不正确的可能性。同时,为了降低复杂度,CDPSP算法对各个类别的残差计算方式(表4中的步骤4)进行了优化,其复用了步骤3中的投影系数,避免了多次进行伪逆运算,以降低CDPSP算法的复杂性。
表4:基于类别的扰动子空间追踪算法
本实施例将以传统稀疏表示分类方法(使用OMP/SP算法求解优化问题)为基准,评估本实施例提出的稀疏表示分类方案。图1为本发明实施例一提供的CDPGOMP的分类精度与样本长度的关系示意图,图2为本发明实施例一提供的CDPSP算法与OMP算法和SP算法相比的分类精度图。如图1和图2所示,实验的样本数据集为MNIST手写数字数据集,其包含70000张28*28像素的手写数字图像。在实验中,训练集包含60000个样本,测试集包含10000个样本。实验结果进行1000次平均,每次实验均通过根据标准随机生成的测量矩阵将这些原始数据压缩为长度M的压缩样本,每个类别均随机选出500个训练样本和100个测试样本。
通过实验可以看出,本实施例提出的CDPSP方案的性能远优于OMP方案和SP方案,因此本实施例提出的基于扰动压缩感知的稀疏表示分类方法,通过求解扰动重建问题获得更优的字典矩阵和稀疏系数向量,从而提升分类准确率。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (4)
1.一种基于扰动压缩感知的稀疏表示分类方法,其特征在于,包括:
根据***输入的测试样本,所述测试样本包括MNIST手写数字数据集,所述MNIST手写数字数据集包含70000张28*28像素的手写数字图像,训练集包含60000个样本,测试集包含10000个样本,获得稀疏表示模型,所述稀疏表示模型的计算公式如下:
y=(D+E)α
其中,E是扰动矩阵,表示已知矩阵D与理想字典矩阵之间的误差;
获得每个类别的测试样本对应的扰动字典,计算公式如下:
Hl:yl=(D+El)αl
其中,yl为第l类测试样本,El为第l类测试样本对应的扰动字典,αl为第l类测试样本对应的稀疏向量;
求解如下的优化问题获得稀疏向量:
其中,λ是正则化参数;
获得各个类别测试样本对应的残差,计算公式如下:
获得具有最小残差的类别min||rj(y)||2。
2.根据权利要求1所述的基于扰动压缩感知的稀疏表示分类方法,其特征在于,还包括:
步骤101:初始化r0=y,k=1;
步骤102:获得相关性最高的训练样本将上述训练样本加入候选支撑集T=T∪i;
步骤103:对于每个候选的类别j,选出支撑集中所有属于第j类的训练样本Tj,以及对应系数计算第j类对应的残差rj=y-D[Tj]xj;
步骤104:获得具有最小残差的类别
步骤105:获得具有最小残差的类别对应的修正参数,计算公式如下:
步骤106:获得具有最小残差的类别的优化字典,计算公式如下:
步骤107:更新残差
步骤108:若k=K,执行步骤109,否则重新设置k=k+1返回步骤102;
步骤109:获得支撑集位置的系数其余位置设置为零x[Tc]=0。
3.根据权利要求2所述的基于扰动压缩感知的稀疏表示分类方法,其特征在于,所述步骤102包括:
获得相关性最高的S个训练样本集合将上述训练样本加入候选支撑集T=T∪i。
4.根据权利要求1所述的基于扰动压缩感知的稀疏表示分类方法,其特征在于,还包括:
步骤201:初始化r0=y,
步骤202:获得相关性最高的K个训练样本集合将上述训练样本集合加入候选支撑集/>
步骤203:计算系数选择前K个最大系数的训练样本构成候选支撑集
步骤204:对每个候选的类别j,选出支撑集中所有属于第j类的训练样本Tj以及第j类的训练样本Tj对应的系数计算第j类的训练样本Tj对应的残差rj=y-D[Tj]xj;
步骤205:获得具有最小残差的类别
步骤206:计算第j类的训练样本Tj对应的修正参数,计算公式如下:
步骤207:计算第j类的训练样本Tj的优化字典,计算公式如下:
步骤208:更新残差
步骤209:若||rk||2≥||rk-1||2,执行步骤2010,否则返回步骤202;
步骤2010:计算支撑集位置的系数其余位置设置为零x[Tc]=0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010890870.6A CN112257739B (zh) | 2020-08-29 | 2020-08-29 | 一种基于扰动压缩感知的稀疏表示分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010890870.6A CN112257739B (zh) | 2020-08-29 | 2020-08-29 | 一种基于扰动压缩感知的稀疏表示分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257739A CN112257739A (zh) | 2021-01-22 |
CN112257739B true CN112257739B (zh) | 2023-12-22 |
Family
ID=74223828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010890870.6A Active CN112257739B (zh) | 2020-08-29 | 2020-08-29 | 一种基于扰动压缩感知的稀疏表示分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257739B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115790815B (zh) * | 2023-01-17 | 2023-05-16 | 常熟理工学院 | 一种分布式光纤传感***的扰动快速鉴别方法及*** |
CN116582132B (zh) * | 2023-07-06 | 2023-10-13 | 广东工业大学 | 基于改进带结构化扰动模型的压缩感知重构方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345621A (zh) * | 2013-07-09 | 2013-10-09 | 东南大学 | 一种基于稀疏浓度指数的人脸分类方法 |
WO2015048232A1 (en) * | 2013-09-26 | 2015-04-02 | Tokitae Llc | Systems, devices, and methods for classification and sensor identification using enhanced sparsity |
CN104951787A (zh) * | 2015-06-17 | 2015-09-30 | 江苏大学 | 一种src框架下判别字典学习的电能质量扰动识别方法 |
CN105574475A (zh) * | 2014-11-05 | 2016-05-11 | 华东师范大学 | 一种基于共同向量词典的稀疏表示分类方法 |
-
2020
- 2020-08-29 CN CN202010890870.6A patent/CN112257739B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345621A (zh) * | 2013-07-09 | 2013-10-09 | 东南大学 | 一种基于稀疏浓度指数的人脸分类方法 |
WO2015048232A1 (en) * | 2013-09-26 | 2015-04-02 | Tokitae Llc | Systems, devices, and methods for classification and sensor identification using enhanced sparsity |
CN105574475A (zh) * | 2014-11-05 | 2016-05-11 | 华东师范大学 | 一种基于共同向量词典的稀疏表示分类方法 |
CN104951787A (zh) * | 2015-06-17 | 2015-09-30 | 江苏大学 | 一种src框架下判别字典学习的电能质量扰动识别方法 |
Non-Patent Citations (2)
Title |
---|
基于判别字典学习的电能质量扰动识别方法;沈跃;张瀚文;刘国海;刘慧;陈兆岭;;仪器仪表学报(第10期);全文 * |
沈跃 ; 张瀚文 ; 刘国海 ; 刘慧 ; 陈兆岭 ; .基于判别字典学习的电能质量扰动识别方法.仪器仪表学报.2015,(第10期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112257739A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aljundi et al. | Landmarks-based kernelized subspace alignment for unsupervised domain adaptation | |
Wang et al. | Correntropy matching pursuit with application to robust digit and face recognition | |
CN111461157B (zh) | 一种基于自学习的跨模态哈希检索方法 | |
US20210117733A1 (en) | Pattern recognition apparatus, pattern recognition method, and computer-readable recording medium | |
CN112257739B (zh) | 一种基于扰动压缩感知的稀疏表示分类方法 | |
CN110188827B (zh) | 一种基于卷积神经网络和递归自动编码器模型的场景识别方法 | |
CN115331088B (zh) | 基于带有噪声和不平衡的类标签的鲁棒学习方法 | |
CN109117860B (zh) | 一种基于子空间投影和字典学习的图像分类方法 | |
CN110008844B (zh) | 一种融合slic算法的kcf长期手势跟踪方法 | |
CN105528620B (zh) | 一种联合鲁棒主成分特征学习与视觉分类方法及*** | |
He et al. | Infrared target tracking based on robust low-rank sparse learning | |
CN116127953B (zh) | 一种基于对比学习的中文拼写纠错方法、装置和介质 | |
CN115690152A (zh) | 一种基于注意力机制的目标追踪方法 | |
Lu et al. | Incremental Dictionary Learning for Unsupervised Domain Adaptation. | |
CN114911958A (zh) | 一种基于语义偏好的快速图像检索方法 | |
CN116468991A (zh) | 基于渐进校准的类增量无监督域自适应图像识别方法 | |
CN110826554B (zh) | 一种红外目标检测方法 | |
CN117437426A (zh) | 一种高密度代表性原型指引的半监督语义分割方法 | |
CN113761845A (zh) | 一种文本生成方法、装置、存储介质及电子设备 | |
CN105389560B (zh) | 基于局部约束的图优化维数约简方法 | |
Alamsyah et al. | Autoencoder image denoising to increase optical character recognition performance in text conversion | |
CN115937862A (zh) | 一种端到端的集装箱号码识别方法及*** | |
Lv et al. | A robust mixed error coding method based on nonconvex sparse representation | |
CN114529908A (zh) | 一种离线手写化学反应式图像识别技术 | |
Zhang et al. | Nonlinear dictionary learning based deep neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |