[发明专利]一种基于稀疏度量的分类方法

权利要求书

1.一种基于稀疏度量的分类方法，具体包括如下步骤：

S1.根据脑电信号训练样本分别计算类间离散度矩阵S_B和类内离散度矩阵S_W；

S2.根据步骤S1得到的类间离散度矩阵S_B和类内离散度矩阵S_W构造出相应的φ_B和其中，φ_B和分别满足

S3.将Fisher判别准则转化为L1模结构，即有：将所述L1模结构映射到对数空间转化为如下目标函数：其中，w为投影向量，估计使得目标函数取得最大值的投影向量w。

2.根据权利要求1所述的基于稀疏度量的分类方法，其特征在于，还包括步骤S4.将测试样本投影到向量w张开的空间进行分类。

3.根据权利要求1或2所述的基于稀疏度量的分类方法，其特征在于，步骤S2具体采用奇异值分解构造φ_B和

4.根据权利要求1或2所述的基于稀疏度量的分类方法，其特征在于，步骤S3中估计使得目标函数取得最大值的投影向量w的具体过程如下：

S31.对目标函数J^*(w)两边同时求导计算出相应的梯度：

其中，

Pi=1wTφB(:,i)≥0-1wTφB(:,i)<0,]]>

φ_B(:,i)，分别表示矩阵φ_B和的第i列向量和第j列向量，m表示构成矩阵φ_B和的列向量个数；

S32.利用梯度下降法对目标向量w进行估计。

5.根据权利要求4所述的基于稀疏度量的分类方法，其特征在于，步骤S32利用梯度下降法对目标向量w进行估计的具体过程如下：

更新过程表示为:

w(t+1)=w(t)-δ·w(t)^T·dw

其中，t表示迭代次数，w(t)为一m×1的向量，表示第t次迭代得到的估计结果，w(t+1)表示第t+1次得到的估计结果，初始迭代向量w(0)∈R^m设置为一任意的非0向量；δ为迭代步距，选择使得J^*(w(t+1))达到最大的一个值作为本次迭代的δ；当满足||J^*(w(t+1))-J^*(w(t))||<α时，迭代停止，α为预先设定的阈值。