[发明专利]一种基于扰动压缩感知的稀疏表示分类方法

权利要求书

1.一种基于扰动压缩感知的稀疏表示分类方法，其特征在于，包括：

根据系统输入的测试样本，获得稀疏表示模型，所述稀疏表示模型的计算公式如下：

y＝(D+E)α

其中，E是扰动矩阵，表示已知矩阵D与理想字典矩阵之间的误差；

获得每个类别的测试样本对应的扰动字典，计算公式如下：

H_l:y_l＝(D+E_l)α_l

其中，y_l为第l类测试样本，E_l为第l类测试样本对应的扰动字典，α_l为第l类测试样本对应的稀疏向量；

求解如下的优化问题获得稀疏向量：

其中，λ是正则化参数；

获得各个类别测试样本对应的残差，计算公式如下：

获得具有最小残差的类别min||r_j(y)||₂。

2.根据权利要求1所述的基于扰动压缩感知的稀疏表示分类方法，其特征在于，还包括：

步骤101：初始化r⁰＝y，k＝1；

步骤102：获得相关性最高的训练样本将上述训练样本加入候选支撑集T＝T∪i；

步骤103：对于每个候选的类别j，选出支撑集中所有属于第j 类的训练样本T_j，以及对应系数计算第j类对应的残差r_j＝y-D[T_j]x_j；

步骤104：获得具有最小残差的类别

步骤105：获得具有最小残差的类别对应的修正参数，计算公式如下：

步骤106：获得具有最小残差的类别的优化字典，计算公式如下：

步骤107：更新残差

步骤108：若k＝K，执行步骤109，否则重新设置k＝k+1返回步骤102；

步骤109：获得支撑集位置的系数其余位置设置为零x[T^c]＝0。

3.根据权利要求2所述的基于扰动压缩感知的稀疏表示分类方法，其特征在于，所述步骤102包括：

获得相关性最高的S个训练样本集合将上述训练样本加入候选支撑集T＝T∪i。

4.根据权利要求1所述的基于扰动压缩感知的稀疏表示分类方法，其特征在于，还包括：

步骤201：初始化r⁰＝y，

步骤202：获得相关性最高的K个训练样本集合将上述训练样本集合加入候选支撑集

步骤203：计算系数选择前K个最大系数的训练样本构成候选支撑集

步骤204：对每个候选的类别j，选出支撑集中所有属于第j类的训练样本T_j以及第j类的训练样本T_j对应的系数计算第j类的训练样本T_j对应的残差r_j＝y-D[T_j]x_j；

步骤205：获得具有最小残差的类别

步骤206：计算第j类的训练样本T_j对应的修正参数，计算公式如下：

步骤207：计算第j类的训练样本T_j的优化字典，计算公式如下：

步骤208：更新残差

步骤209：若‖r^k‖₂≥‖r^k-1‖₂，执行步骤2010，否则返回步骤202；

步骤2010：计算支撑集位置的系数其余位置设置为零x[T^c]＝0。