[发明专利]一种基于稀疏表示的红外光谱数据分类识别方法

摘要

本发明公开了一种基于稀疏表示的红外光谱数据分类识别方法，其技术方案是利用稀疏表示的算法用训练样本对预测样本进行线性稀疏表示，实现预测样本的快速分类。具体步骤为(1)构造训练样本矩阵；(2)对训练样本矩阵进行标准化处理；(3)求解稀疏解；(4)根据某一类稀疏解以及样本信息对预测样本进行估计。(5)类别判决。目前现有的对光谱数据的模式识别方法往往需要平滑，变量选择等预处理方式或者需要空间投影、傅立叶变化等算法来提升分类算法的有效性。本发明提供了一种不需要光谱数据进行预处理及相应的变化的分类方法，通过稀疏地线性表示就能找到与预测样本相近的训练样本来实现分类，操作简单，速度快。

主权项

一种基于稀疏表示的红外光谱数据分类识别方法，其特征在于包括以下步骤：S01：选择目标样本y，明确某一个需要识别其红外光谱数据类别标签的样本，做成行为维度、列为1的矩阵；S02：构造训练样本矩阵，将已获知类别标签的训练样本的红外光谱数据排成行为维度，列为样本数的形式，并且同类样本放在一起，构造线性系统y＝Ax中的A的矩阵，矩阵表示如下：A＝[A1，A2，...Ak]＝[v1，1，v1，2，...，vk，nk]；S03：对训练样本矩阵进行标准化处理，对每个训练样本除以对应训练样本的二维范数；S04：求解稀疏解，对于预测目标样本y，求解线性系统y＝Ax的解，对于红外光谱数据而言，其维度大于样本数，即线性系统y＝Ax是超定的，通过求使这个解的1阶范数最小来逼近0阶范数最小的稀疏效果，然后得到稀疏解x1；S05：根据某一类稀疏解以及样本信息对预测样本进行估计，由上一步求得的稀疏解以及对应之前的训练样本信息，求得这类标签对应的训练集与稀疏解的矩阵乘积，产生这一类训练样本的信息对预测样本进行表示，得到某类训练数据对预测样本的估计，也就是S06：类别判决，根据某一类训练集对预测样本的估计与实际预测样本的差异来进行判决，以某一类估计样本与预测样本差值的二维范数作为标准，用与实际预测样本差异最小的类别标签作为预测集的类别，所述二维范数即某一类估计样本与预测样本差值的欧式距离；S07：输出预测样本的类别标签。