[发明专利]一种基于支持向量正则化字典对学习的模式分类方法

权利要求书

1.一种基于支持向量正则化字典对学习的模式分类方法，其特征在于，包括：

对训练和测试的图像进行特征提取，并构建训练集X和测试集

建立基于支持向量正则化字典对学习模型；

将训练集X输入到支持向量正则化字典对学习的模型中，并对相应的目标函数进行优化求解，得到适用于该训练集的解析字典P，综合字典D，编码系数A及支持向量机分类器参数U，b；

使用训练得到的解析字典P对测试集进行编码，得到测试集编码系数

将测试集编码系数输入到训练好的支持向量机分类器中，获得分类结果。

2.根据权利要求1所述的一种基于支持向量正则化字典对学习的模式分类方法，其特征在于所述的建立基于支持向量正则化字典对学习模型，包括：

其中，λ₁，λ₂，λ₃是固定标量，X＝[X₁，X₂，...，X_k]为训练集的特征，K表示样本数，D＝[D₁，D₂，...，D_k]表示结构性综合字典，P＝[P₁；P₂，...；P_k]表示结构性解析字典，A＝[A₁，A₂，...，A_k]表示编码系数，综合字典D_k和解析字典P_k表示第k类输入数据X_k所对应的字典对，表示X中X_i的补集，U＝[u₁，u₂，...，u_k]表示超平面，b＝[b₁，b₂，...，b_k]^T表示偏差，表示第k类所对应的标签向量，若x_i属于第k类样本，x_j不属于第k类样本，d_i表示D的第i列，表示数据保真项，f(A，y^k，u_k，b_k)表示判别项；用以避免平凡解D_k＝0，使模型更加稳定；P_k∈Γ，是对解析字典的约束，它确保解析字典具有相对较小的Frobenius范数和单位行范数；具体的，判别项f(A，y^k，u_k，b_k)的定义如下：

其中，A是样本的编码系数，a_i是系数矩阵A的列向量，是损失函数，是正则项，当时，损失函数当时，

3.根据权利要求1所述的一种支持向量正则化字典对学习的模式分类方法，其特征在于所述的将训练集X输入到支持向量正则化字典对学习的模型中，并对相应的目标函数进行优化求解，得到适用于该训练集的解析字典P，综合字典D，编码系数A及支持向量机分类器参数U，b，包括：

采用循环迭代的方法求解，依次更新变量A，P，D和U，b；更新某个变量时，需要固定其他的变量，反复迭代①～④，即：

①固定P，D，U，b，更新A；

②固定A，D，U，b，更新P；

③固定A，P，U，b，更新D；

④固定A，P，D，更新U，b；

在目标函数值收敛或达到最大迭代次数时停止迭代，得到最优的输出结果。

4.根据权利要求1所述的一种基于支持向量正则化字典对学习的模式分类方法，其特征在于所述的训练得到的解析字典P对测试集进行编码，得到测试集编码系数包括：

用基于训练集学习得到的解析字典P和测试集相乘，得到测试集编码系数

5.根据权利要求1所述的一种基于支持向量正则化字典对学习的模式分类方法，其特征在于所述的将测试集编码系数输入到训练所得的支持向量机分类器中，获得分类结果，包括：

使用训练好的支持向量机分类器参数U，b，计算矩阵H的第i个列向量的第j个元素表示测试集的第i个样本属于第j类的置信度，将分类结果判定为所对应置信度最高的那一类。