專利名稱：基于局部線性表示的模式分類方法
技術(shù)領(lǐng)域：
本發(fā)明公開了基于局部線性表示的模式分類方法，屬于模式識別的技術(shù)領(lǐng)域。
背景技術(shù)：
SRC (Sparse Representation-based Classification,稀疏表不分類器)，以全部樣本作為字典，稀疏表不測試樣本與訓(xùn)練樣本的關(guān)系。相對于傳統(tǒng)的最近鄰分類器來說，SRC分類器取得了較好的分類性能。但是，SRC分類器最大的問題就是，計算稀疏系數(shù)的時間復(fù)雜度很高，隨著訓(xùn)練樣本個數(shù)的增長，計算時間呈指數(shù)階增長。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是針對上述背景技術(shù)的不足，提供了基于局部線性表示的模式分類方法。本發(fā)明為實現(xiàn)上述發(fā)明目的采用如下技術(shù)方案:基于局部線性表示的模式分類方法，利用包括c個類別的訓(xùn)練樣本集識別測試樣本I所屬的類別，所述C為自然數(shù)，包括如下步驟:步驟1，對于測 試樣本γ,構(gòu)建其近鄰訓(xùn)練樣本集；步驟2，根據(jù)步驟I所述的近鄰訓(xùn)練樣本集，得到測試樣本y在近鄰訓(xùn)練樣本集內(nèi)的線性表示系數(shù)；步驟3，將近鄰訓(xùn)練樣本集按照訓(xùn)練樣本類別劃分成c個子近鄰訓(xùn)練樣本集，利用子近鄰訓(xùn)練樣本集及其對應(yīng)的線性表示系數(shù)計算測試樣本y在每一個子近鄰訓(xùn)練樣本集內(nèi)的重構(gòu)誤差；步驟4，比較測試樣本y在每一個子近鄰訓(xùn)練樣本集內(nèi)的重構(gòu)誤差:當(dāng)測試樣本y在第M類的子近鄰訓(xùn)練樣本集內(nèi)的重構(gòu)誤差最小時，將測試樣本y歸為第M類，所述M為小于或者等于c的自然數(shù)。所述基于局部線性表示的模式分類方法，步驟I中所述的近鄰訓(xùn)練樣本集構(gòu)建方法如下:步驟1-1，計算測試樣本I到訓(xùn)練樣本集中每個訓(xùn)練樣本的距離；步驟1-2，在訓(xùn)練樣本集中提取前K個最近鄰訓(xùn)練樣本構(gòu)成近鄰訓(xùn)練樣本集，其中:κ的取值如下:當(dāng)min (N1, N2,...，Nc) >50 時，K=max (N1, N2,...，Nc)；當(dāng)20〈max (N1, N2,…，Nc) < 50 時，K=3 Xmax (N1, N2,...，Nc)；當(dāng)max (N1, N2,…，Nc) < 20 且 c>10 時，K=5 Xmax (N1, N2,…，Nc)；當(dāng)max (N1, N2,...，Nc)彡 20 且 c 彡 10 時，K=N/2 ；其中，N1為訓(xùn)練樣本集中第一類別樣本個數(shù)，N2為訓(xùn)練樣本集中第二類別樣本個數(shù)，Nc為訓(xùn)練樣本集中第c類樣本個數(shù)，N為訓(xùn)練樣本總數(shù)。本發(fā)明采用上述技術(shù)方案，具有以下有益效果:通過減少訓(xùn)練樣本數(shù)目，降低了計算難度；在提高識別率的同時縮減了計算時間。
具體實施例方式下面對發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明:利用包含C個類別的訓(xùn)練樣本集X識別測試樣本y所屬的類別，包括如下步驟。X=LX11X2,...,Xc], Xi=[xn, xi2,...，xiNi]表示第 i 類訓(xùn)練樣本集，Xi 包含 Ni 個樣
本，Xij e Rd (Rd表示d維的實向量集合)表示第i類的第j個訓(xùn)練樣本，
權(quán)利要求
1.基于局部線性表示的模式分類方法，利用包括C個類別的訓(xùn)練樣本集識別測試樣本y所屬的類別，所述c為自然數(shù)，其特征在于包括如下步驟: 步驟I,對于測試樣本y,構(gòu)建其近鄰訓(xùn)練樣本集； 步驟2，根據(jù)步驟I所述的近鄰訓(xùn)練樣本集，得到測試樣本y在近鄰訓(xùn)練樣本集內(nèi)的線性表示系數(shù)； 步驟3，將近鄰訓(xùn)練樣本集按照訓(xùn)練樣本類別劃分成c個子近鄰訓(xùn)練樣本集，利用子近鄰訓(xùn)練樣本集及其對應(yīng)的線性表示系數(shù)計算測試樣本y在每一個子近鄰訓(xùn)練樣本集內(nèi)的重構(gòu)誤差； 步驟4，比較測試樣本y在每一個子近鄰訓(xùn)練樣本集內(nèi)的重構(gòu)誤差:當(dāng)測試樣本y在第M類的子近鄰訓(xùn)練樣本集內(nèi)的重構(gòu)誤差最小時，將測試樣本y歸為第M類，所述M為小于或者等于c的自然數(shù)。
2.根據(jù)權(quán)利要求1所述的基于局部線性表示的模式分類方法，其特征在于步驟I中所述的近鄰訓(xùn)練樣本集構(gòu)建方法如下: 步驟1-1，計算測試樣本y到訓(xùn)練樣本集中每個訓(xùn)練樣本的距離； 步驟1-2，在訓(xùn)練樣本集中提取前K個最近鄰訓(xùn)練樣本構(gòu)成近鄰訓(xùn)練樣本集，其中:K的取值如下: 當(dāng) min (N1, N2,…，Nc) >50 時，K=max (N1, N2,…，Nc)；當(dāng) 20〈max (N1, N2,...，Nc)≤ 50 時，K=3 Xmax (N1, N2,…，Nc)；當(dāng) max (N1, N2,…，Nc)≤ 20 且 c> 10 時，K=5 Xmax (N1, N2,…，Nc)；當(dāng) max (N1, N2,…，Nc)≤ 20 且 c ≤ 10 時，K=N/2 ； 其中，N1為訓(xùn)練樣本集中第一類別樣本個數(shù)，N2為訓(xùn)練樣本集中第二類別樣本個數(shù)，Nc為訓(xùn)練樣本集中第c類樣本個數(shù)，N為訓(xùn)練樣本總數(shù)。
全文摘要
本發(fā)明公開了基于局部線性表示的模式分類方法，屬于模式識別的技術(shù)領(lǐng)域。首先使用測試樣本的部分近鄰訓(xùn)練樣本去線性表示該測試樣本，得到一組線性表示系數(shù)；然后計算使用這些近鄰訓(xùn)練樣本中每個類的樣本和相應(yīng)的線性表示系數(shù)去重構(gòu)測試樣本的重構(gòu)誤差；最后根據(jù)重構(gòu)誤差來對測試樣本進(jìn)行分類。在計算測試樣本的線性表示時，通過減少訓(xùn)練樣本數(shù)目，降低了計算難度；在提高識別率的同時縮減了計算時間。
文檔編號G06K9/66GK103246892SQ20131005976
公開日2013年8月14日 申請日期2013年2月26日 優(yōu)先權(quán)日2013年2月26日
發(fā)明者劉茜, 馬杰良, 王麗娜 申請人:南京信息工程大學(xué)