基于保持结构稀疏化的半监督字典学方法

摘要

本发明公开了一种基于保持结构稀疏化的半监督字典学方法，主要包含以下步骤：首先通过保持样本稀疏编码之间的自表示关系，建立一种新的半监督字典学模型；其次采用块坐标下降法对提出的半监督字典学模型中的各类变量进行迭代优化，并从理论上证明了算法的收敛性；最后提出一种构建类别相关的子字典的方法，并通过样本在各类子字典下的重构误差来对样本进行分类。由于本发明通过引入结构稀疏化约束迫使大量的无标签样本能够自动加入到其所在类别中，并与其同类的有标签样本一起参与字典的学，从而提高了字典的稀疏表达能力和判别能力。实验结果表明，相对于其它的经典字典学方法，具有更准确的分类正确率，有很好的应用前景。

主权项

一种基于保持结构稀疏化的半监督字典学习方法，其特征在于，包括以下步骤:1)根据训练样本构建基于保持结构稀疏化的半监督字典学习模型；2)采用块坐标下降法对半监督字典学习模型中的各类变量进行迭代优化，直到收敛；3)对于每一类别，找出能够准确稀疏表示该类样本的字典原子，这些字典原子就构成了该类别相关的子字典，通过样本在各类子字典下的重构误差来对样本进行分类。