[发明专利]基于多核鉴别线性表示的分类方法

说明书

技术领域

本发明具体涉及基于多核鉴别线性表示的分类方法，属于模式识别技术领域。

背景技术

现有的基于核鉴别线性表示的分类方法和多核学习稀疏表示分类方法说明如下：

设X＝[X₁,X₂,...,X_c]表示包含c个类别的训练样本集，表示第i个类别的训练样本集，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表示一个测试样本。

基于核鉴别线性表示的分类方法(KDLRC，专利申请号201410026937.6)首先通过核映射φ:R^d→F将所有样本从d维的线性空间映射到高维的非线性空间F(F的维数远大于d)，则训练样本x_ij映射为φ(x_ij)，测试样本y映射为φ(y)。令φ(X)＝[[φ(X₁),φ(X₂),...,φ(X_c)]]。然后通过核主成分分析方法(KernelPrincipalComponentAnalysis，KPCA，B.Scholkopf,A.Smola,andK.Muller,“NonlinearComponentAnalysisasaKernelEigenvalueProblem,”NeuralComputation,vol.10,no.5,pp.1299-1319,1998.)将高维核空间样本的维数降低到N-1，并对降维后的样本进行L₂-norm归一化。用φ_kpca(x_ij)表示降维并归一化后的φ(x_ij)，φ_kpca(X)＝[[φ_kpca(X₁),φ_kpca(X₂),...,φ_kpca(X_c)]]，φ_kpca(y)表示降维并归一化后的φ(y)。在KPCA特征空间中，对第i个类别的训练样本集φ_kpca(X_i)，KDLRC方法通过求解下面的问题获得一组线性表示系数βi=[βi1,βi2,...,βiNi]T∈RNi:]]>