一种新的稀疏表示分类方法及其在图像识别中的应用作者：徐广飞来源：《无线互联科技》2013年第06工艺美术运动的影响期 摘 要：近年来，稀疏表示分类（SRC）方法在图像识别中受到越来越多的关注。SRC方法将测试样本分在最小重构误差所对应的类别中，这种决策方法对SRC的稀疏原理不是最优的。为了从稀疏编码系数中得到鉴别性更强的信息，本文提出一种新的决策规则——“系数和”规则。在Yale数据库和MNIST数据库上的实验结果表明本文提出的方法要优于原始SRC富士宝豆浆机
方法。 关键词：稀疏表示分类；图像识别；系数和规则；MNIST数据库
1 引言
涤纶长丝 图像识别是计算机视觉和模式识别领域内广泛研究的分类问题之一，最近稀疏表示分类[1]（SRC）方法在人脸识别中得到应用并取得很好的识别效果。SRC利用了人脸图像的线性子空间结构并将人脸识别问题看做是一个稀疏表示问题。具体来说，给定一个测试样本，SR
C首先得到该样本在所有训练样本构成的字典上的稀疏系数，然后利用稀疏系数和每类训练样本重构样本，最后将该测试样本分在最小重构误差对应的类别中。随后又有很多改进的SRC方法来提高其性能，并被应用到其它机器学习问题中。
学校物联网 2 稀疏表示分类算法
SRC算法的流程如下：
⑴输入：由C类训练样本组成的矩阵A=[A1，A2，…，Ac]∈Rm×n，测试样本y∈Rm；
⑵将y和A的列向量单位化；
⑶求解：
（或者求解 ）；
⑷计算残差 ；
⑸输出：测试样本的类别
3 系数和规则
佳木斯教育学院学报
在文献[2]中，提出通过稀疏系数可以反映数据间的相似性。因此我们提出使用系数和（sum of coefficient，SoC）进行决策：
杭州15岁初中生确诊来源查清 4 实验验证及分析
本节中，我们通过实验来验证“系数和”（SoC）规则的性能，对比方法为原始SRC算法。使用的图像库为Yale人脸库和MNIST数据库。在对图像进行分类前，我们使用PCA对样本进行降维。SRC通过求解（2）式得到稀疏系数，然后进行分类，误差容忍度ε设为0.005。
