弹性网络约束自解释稀疏表示分类器的设计方法

摘要

本发明涉及一种弹性网络约束自解释稀疏表示分类器的设计方法的设计方法，含有以下步骤：读取训练样本，将训练样本进行非线性变换，变换到高维的核空间，在高维核空间对每一类训练样本进行学习，找出该类训练样本中每个个体对于构造该类训练样本子空间所做的贡献(即权重)，该类训练样本与权重矩阵的乘积构成词典；通过训练得到的稀疏表达词典获取测试样本在核空间的弹性网络系数编码，最后用每一类的词典及词典所对应的弹性网络稀疏编码拟合测试样本，并计算该拟合误差，拟合误差最小类为测试样本的类别。本发明综合了岭回归和lasso回归的优点，使样本的稀疏编码特征既具有稀疏性，又具有较小的拟合误差，有效降低了分类误差，提升分类器的识别性能。