咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >组加权约束的核稀疏表示分类算法 收藏

组加权约束的核稀疏表示分类算法

Kernel Sparse Representation Classification with Group Weighted Constraints

作     者:郑建炜 杨平 王万良 白琮 Zheng Jianwei;Yang Ping;Wang Wanliang;Bai Cong

作者机构:浙江工业大学计算机科学与技术学院杭州310023 

出 版 物:《计算机研究与发展》 (Journal of Computer Research and Development)

年 卷 期:2016年第53卷第11期

页      面:2567-2582页

核心收录:

学科分类:1305[艺术学-设计学(可授艺术学、工学学位)] 13[艺术学] 081104[工学-模式识别与智能系统] 08[工学] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基  金:国家自然科学基金项目(61602413 61379123 61502424) 国家科技支撑计划基金项目(2012BAD10B01) 浙江省自然科学基金项目(LY15F030014 LY15F020028) 

主  题:稀疏表示技术 保局性 组稀疏正则项 核技术 范数归一化问题 

摘      要:提出了一种称为核加权组稀疏表示分类器(kernel weighted group sparse representation classifier,KWGSC)的新型模式分类算法.通过在核特征空间而非原输入空间引入组稀疏性和保局性,KWGSC能够获得更有效的鉴别性重构系数用于分类表示.为获得最优重构系数,提出了一种新的迭代更新策略进行模型求解并给出了相应的收敛性证明以及复杂度分析.对比现存表示型分类算法,KWGSC具有的优势包括:1)通过隐含映射变换,巧妙地规避了经典线性表示算法所固有的规范化问题;2)通过联合引入距离加权约束和重构冗余约束,精确地推导出查询样本的目标类别标签;3)引入l2,p正则项调整协作机制中的稀疏性,获得更佳的分类性能.人造数值实验表明:经典线性表示型算法在非范数归一化条件下无法找到正确的重构样本,而KWGSC却未受影响.实际的公共数据库验证了所提分类算法具有鲁棒的鉴别力,其综合性能明显优于现存算法.

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分