[发明专利]基于局部线性表示的模式分类方法

说明书

技术领域

本发明公开了基于局部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，提供了基于局部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： 

基于局部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，对于测试样本y，构建其近邻训练样本集； 

步骤2，根据步骤1所述的近邻训练样本集，得到测试样本y在近邻训练样本集内的线性表示系数； 

步骤3，将近邻训练样本集按照训练样本类别划分成c个子近邻训练样本集，利用子近邻训练样本集及其对应的线性表示系数计算测试样本y在每一个子近邻训练样本集内的重构误差； 

步骤4，比较测试样本y在每一个子近邻训练样本集内的重构误差：当测试样本y在第M类的子近邻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。 

所述基于局部线性表示的模式分类方法，步骤1中所述的近邻训练样本集构建方法如下： 

步骤1-1，计算测试样本y到训练样本集中每个训练样本的距离； 

步骤1-2，在训练样本集中提取前K个最近邻训练样本构成近邻训练样本集，其中：K的取值如下： 

当min(N₁,N₂,…,N_c)>50时，K=max(N₁,N₂,…,N_c)； 

当20<max(N₁,N₂,…,N_c)≤50时，K=3×max(N₁,N₂,…,N_c)； 

当max(N₁,N₂,…,N_c)≤20且c>10时，K=5×max(N₁,N₂,…,N_c)； 

当max(N₁,N₂,…,N_c)≤20且c≤10时，K=N/2； 

其中，N₁为训练样本集中第一类别样本个数，N₂为训练样本集中第二类别样本个数，N_c为训练样本集中第c类样本个数，N为训练样本总数。 

本发明采用上述技术方案，具有以下有益效果：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]，X_i=[x_i1，x_i2，…,x_iNi]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，对于测试样本y，构建其近邻训练样本集： 

步骤1-1，计算测试样本y到训练样本集X中每个训练样本x_ij的距离D_ij。 

D_ij=||y-x_ij||(i=1,2,…,c,j=1,2,…,N_i)；