科研之友
微信
新浪微博
Facebook
分享链接
摘要
经典的稀疏表示分类(SRC)通常是基于求解L1最小化问题的。SRC在原始输入空间中求解L0范数最小化问题,无法很好地获取数据中的非线性信息。为了解决这一问题,应用非线性映射将原始输入数据映射到一个新的高维特征空间,并提出了一种新的基于L0范数的表示方法。在所提方法中,表示测试样本的字典包含两个部分:第一部分固定在测试样本的近邻;第二部分的训练样本通过半遗传算法(SGA)来选择,利用表示误差确定第二部分的表示字典。在所提方法中,如果训练样本和已确定的测试样本的近邻产生最小表示误差,那么这些训练样本将被SGA确定为表示字典的第二部分。在一些常用的人脸数据集和一个手写体数据集上的实验表明,所提方法能够获得更好的分类性能。
- 单位
