基于Fisher判别字典学习的可拒识模式分类模型

摘要：

针对模式分类任务中测试样本存在未知类别输入的问题,在稀疏表示分类技术的基础上提出一种可拒识模式分类模型.该模型在字典学习的目标函数中加入Fisher判别约束,使样本在该字典下分解的系数具有较大的类间散度和较小的类内散度,将训练样本在已学习字典下进行分解,并把分解后的系数构建多个局部线性块,为已构建的线性块建立超球覆盖模型,用于描述训练类样本系数的分布状况.对于测试样本,根据在已学字典下的分解系数是否在训练样本系数的覆盖模型范围内,做出拒识或接受分类处理的判决.在MINST手写体数据库上的实验结果表明,该模型在保持较高正确识别率的同时,能对非训练类样本进行有效的拒识处理.

关键词：可拒识、字典学习、Fisher判别分析、基于稀疏表示的分类、流形、最大线性块

所属期刊栏目：42

分类号：TP18(自动化基础理论)

资助基金：安徽省自然科学基金资助项目128085MF91

在线出版日期：2016-08-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：202-208