稀疏表示模式分类方法研究进展.docVIP

  稀疏表示模式分类方法研究进展# 贺霖，阮蔚桐，张梅，顾正晖** （华南理工大学自动化科学与工程学院，广州 510640） 5 10 15 20 25 30 35 摘要：稀疏表示是当前在信号处理等方面的一个热门研究领域。其在模式分类等方面的应用 也开始得到关注。本文以稀疏表示和压缩感知的基本理论为基础，综述了基于稀疏表示的模 式分类方法已有的研究成果，总结了其中所存在的问题，并展望了将来在这一研究领域可能 取得进展的研究方向。 关键词：模式分类；稀疏表示；研究进展 中图分类号：TP391.4 Research Progress on Sparse Representation Based Pattern Classification HE Lin, RUAN Weitong, ZHANG Mei, GU Zhenghui (College of Automation Science and Engineering, South China University of Technology, Guangzhou 510640) Abstract: Sparse representation is one of the current hot topic in signal processing community. Meanwhile, its applications on pattern classification has drawn attentions from some researchers. Based on the basic theory of sparse representation, this paper reviews the achievements of sparse representation based pattern classfication approaches, and summarizes the existing problems. Promising direction of future research in this field are also discussed. Key words: Pattern classification; sparse representation; research progress 0 引言 在以信号处理等为代表的一些研究领域中，各种信号和数据的变换技术，如傅里叶变换、 余弦变换，小波变换等占有重要地位。随着这些变换技术尤其是小波变换的发展，及人们在 工程领域中面对着越来越多对高维复杂数据处理的需求的迅速增加，稀疏表示理论及其方法 开始逐渐受到重视，并逐渐发展为一个具有一定的相对独立性的理论方法。稀疏表示的基本 思想非常的简单直观[1-4]：在复杂的多维数据空间中，某个数据和现象，可能只和大量潜在 相关的数据和现象中的很小一部分有密切的相关性。这就使得稀疏表示理论可能会大大简化 很多问题的处理过程，因此对于高维复杂的数据处理而言，稀疏表示理论具有很大的潜在应 用和研究价值。 同时，稀疏表示理论和方法还直接促成了一个近年来在信号和数据处理领域中具有重大 突破意义的理论——压缩感知理论的诞生。压缩感知理论突破了传统香农采样定理的框架和 限制，认为在满足一定稀疏性条件的约束下，可以通过低于香农采样率的采样率获取信息无 损的采样信号和数据[5-13]。 毫无疑问，稀疏表示及其相关的压缩感知理论和方法已成为了当前信号处理等领域的一 基金项目：高等学校博士学科点专项科研基金资助课题（编号 200805611063，200805611070， 20090172120039）；广东省大学生创新实验项目（编号 S1010561085）；华南理工大学学生研究计划项目； 华南理工大学中央高校基本科研业务费专项资金（编号 2012ZM0098） 作者简介：贺霖（1973-），男，讲师，主要研究方向：多维信号和数据处理，模式识别及脑信号分析 通信联系人：张梅（1977-），女，副教授，主要研究方向：多维数据处理、模式识别及生物信号处理. E-mail: zhangmei@ -1-   个最新研究热点，其相关研究成果和论文开始出现爆发式的增长[1-14]。 同时，模式识别理论和方法从其诞生之日起，就和现代信息技术的发展密切相关，吸引 40 45 了很多研究者投入这一领域。模式识别理论和方法除了有本领域中的一些专门方法和理论 外，大量的成果是同信号处理、信息论等很多相关领域的研究内容和成果紧密相关的[15]。 近几年来，随着稀疏表示等领域研究的蓬勃开展，已经一些研究者开始尝试是否可以将稀疏 表示应用于模式识别的模式分类技术领域中，以期建立起基于