[发明专利]基于鉴别线性表示的模式分类方法

说明书

技术领域

本发明公开了基于鉴别线性表示的模式分类方法，属于模式识别的技术领域。 

背景技术

SRC（Sparse Representation-based Classification，稀疏表示分类器），以全部样本作为字典，稀疏表示测试样本与训练样本的关系。相对于传统的最近邻分类器来说，SRC分类器取得了较好的分类性能。但是，SRC分类器最大的问题就是，计算稀疏系数的时间复杂度很高，随着训练样本个数的增长，计算时间呈指数阶增长。 

发明内容

本发明所要解决的技术问题是针对上述背景技术的不足，提供了基于鉴别线性表示的模式分类方法。 

本发明为实现上述发明目的采用如下技术方案： 

基于鉴别线性表示的模式分类方法，利用包括c个类别的训练样本集识别测试样本y所属的类别，所述c为自然数，包括如下步骤： 

步骤1，将训练样本集按照样本类别划分为c个子训练样本集； 

步骤2，计算测试样本y在各子训练样本集内的线性表示系数； 

步骤3，计算测试样本y在每一个子训练样本集内的重构误差； 

步骤4，比较测试样本y在各个子训练样本集内的重构误差：当测试样本y在第M类子训练样本集内的重构误差最小时，将测试样本y归为第M类，所述M为小于或者等于c的自然数。 

本发明采用上述技术方案，具有以下有益效果：确定测试样本在每一类子样本集中的线性表示系数，通过减少训练样本数目，降低了计算难度；在提高识别率的同时缩减了计算时间。 

具体实施方式

下面对发明的技术方案进行详细说明： 

利用包含c个类别的训练样本集X识别测试样本y所属的类别，包括如下步骤。 

X=[X₁,X₂,...,X_c]，表示第i类训练样本集，X_i包含N_i个样本，x_ij∈R^d（R^d表示d维的实向量集合）表示第i类的第j个训练样本，y∈R^d，c为自然数，N_i为自然数。 

步骤1，将训练样本集按照样本类别划分为c个子训练样本集。 

步骤2，计算测试样本y在各子训练样本集内的线性表示系数：对第i类子训练样本集X_i利用表达式确定测试样本y在第i类子训练样本集X_i内的线性表示系数βi=[βi1,βi2,...,βiNi]T∈RNi.]]>

步骤3，计算测试样本y在第i类子训练样本集X_i内的重构误差r_i(y)=||y-X_iβ_i||₂(i=1,2,…,c)。 

步骤4，比较测试样本y在各个子训练样本集内的重构误差：当测试样本y在第M类子训练样本集内的重构误差最小时，将测试样本y归为第M类，所述M为小于或者等于c的自然数。