基于多重核的稀疏表示分类

doi:10.3969/j.issn.0372-2112.2014.09.022

电子学报 ›› 2014, Vol. 42 ›› Issue (9): 1807-1811.DOI: 10.3969/j.issn.0372-2112.2014.09.022

基于多重核的稀疏表示分类

陈思宝^1,2, 许立仙^1,2, 罗斌^1,2

1. 安徽大学计算机科学与技术学院, 安徽合肥 230601;
2. 安徽省工业图像处理与分析重点实验室, 安徽合肥 230039

收稿日期:2013-08-11 修回日期:2013-10-16 出版日期:2014-09-25
- 作者简介:
- 陈思宝 男，1979年8月出生于安徽天长，2000年毕业于安徽大学概率统计专业获理学学士学位，2003 年毕业于安徽大学数理统计专业获理学硕士学位，2006年毕业于安徽大学计算机应用技术专业获工学博士学位，2008年从中国科学技术大学信号与信息处理专业博士后出站.现为安徽大学副教授，硕士生导师，目前从事图像处理与模式识别方面的研究. E-mail：sbchen@ahu.edu.cn；许立仙 女，1989年7月出生于安徽池州，2013年毕业于安徽大学数学与应用数学专业获理学学士学位.现为安徽大学计算机技术专业硕士研究生，主要从事图像处理与模式识别方面的研究. E-mail：ahu2009xlx@163.com；罗斌 男，1963年5月出生于安徽合肥，现为安徽大学计算机应用技术系博士生导师，主要从事计算机视觉与模式识别方面的研究.
- 基金资助:
- 国家自然科学基金项目 (No.61202228，No.61073116）; 高等学校博士科学点专项科研基金联合资助课题 (No.20103401120005）; 安徽省高校自然科学研究重点项目 (No.KJ2012A004）

Multiple Kernel Sparse Representation-Based Classification

CHEN Si-bao^1,2, XU Li-xian^1,2, LUO Bin^1,2

1. School of Computer Science and Technology, Anhui University, Hefei, Anhui 230601, China;
2. Key Laboratory for Industrial Image Processing and Analysis of Anhui Province, Hefei, Anhui 230039, China

Received:2013-08-11 Revised:2013-10-16 Online:2014-09-25 Published:2014-09-25
- Supported by:
- National Natural Science Foundation of China (No.61202228, No.61073116); Research Fund for Doctoral Programs in Higher Education Institutions (No.20103401120005); Key Program of Natural Science Research Projrct of Colleges and Universities of Anhui Province (No.KJ2012A004)

摘要/Abstract

摘要：

稀疏表示分类（SRC）及核方法在模式识别的很多问题中都得到了成功的运用.为了提高其分类精度，提出多重核稀疏表示及其分类（MKSRC）方法.提出一种快速求解稀疏系数的优化迭代方法并给出了其收敛到全局最优解的证明.对于多重核的权重给出了两种自动更新方式并进行了分析与比较.在不同的人脸图像库上的分类实验显示了所提出的多重核稀疏表示分类的优越性.

关键词: 稀疏表示分类(SRC), 核方法, 多重核, 核权重, 模式识别

Abstract:

Sparse representation based classification (SRC) and kernel methods are applied in many pattern recognition problems.In order to improve the classification accuracy,we propose multiple kernel sparse representation based classification (MKSRC).A fast optimization iteration method to solve sparse coefficients and the associated convergence proof to global optimal solution are given.In order to update the kernel weights of MKSRC,two different updating methods and the associated comparison are given.The experimental results on three face image databases show the superiority of the proposed multiple kernel sparse representation based classification.

Key words: sparse representation based classification (SRC), kernel method, multiple kernel, kernel weight, pattern recognition

中图分类号:

TP391.4

陈思宝, 许立仙, 罗斌. 基于多重核的稀疏表示分类[J]. 电子学报, 2014, 42(9): 1807-1811.

CHEN Si-bao, XU Li-xian, LUO Bin . Multiple Kernel Sparse Representation-Based Classification[J]. Acta Electronica Sinica, 2014, 42(9): 1807-1811.

参考文献

[1] J Wright, A Y Yang, A Ganesh, S S Sastry, Yi Ma.Robust face recognition via sparse representation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 31(2):210-227.
[2] B Scölkopf, A Smola, K R Müller.Nonlinear component analysis as a kernel eigenvalue problem[J].Neural Computation, 1998, 10(5):1299-1319.
[3] Sebastian Mika, Gunnar Ratsch, Jason Weston, Bernbard Scholkopf, Klaus-Robert Muller.Fisher discriminant analysis with kernels[A].Proceedings of the 1999 IEEE Signal Processing Society Workshop on Neural Networks for Signal Processing IX[C].New York:IEEE Signal Processing Society, 1999.41-48.
[4] J Lu, K N Plataniotis, A N Venetsanopoulos.Face recognition using kernel direct discriminant analysis algorithms[J].IEEE Transactions on Neural Networks, 2003, 14(1):117-126.
[5] Andreas Argyriou, Raphael Hauser, Charles A Micchelli, Massimiliano Pontil.A DC-programming algorithm for kernel selection[A].William Cohen.Proceedings of the 23rd International Conference on Machine Learning[C].New York:ACM, 2006.41-48.
[6] John Shawe-Taylor, Nello Cristianini.Kernel Methods for Pattern Analysis[M].United Kingdom:Cambridge University Press, 2004.25-45.
[7] Qiang Wu, Yiming Ying, Ding-Xuan Zhou.Multi-kernel regularized classifiers[J].Journal of Complexity, 2007, 23(1):108-134.
[8] M Wu, B Scölkopf, G Ba1r.A direct method for building sparse kernel learning algorithms[J].The Journal of Machine Learning Research, 2006, 7 (4):603-624.
[9] Andreas Argyriou, Charles A Micchelli, Massimiliano Pontil.Learning Convex Combinations of Continuously Parameterized Basic Kernels[M].Berlin Heidelberg:Springer, 2005.338-352.
[10] Jun Yin, Zhonghua Liu, Zhong Jin, Wankou Yang.Kernel sparse representation based classification[J].Neurocomputing, 2012, 77(1):120-128.
[11] Li Zhang, Wei-Da Zhou, Pei-Chann Chang, Jing Liu, Zhe Yan, Ting Wang, Fan-Zhang Li.Kernel sparse representation-based classifier[J].IEEE Transactions on Signal Processing,[CM(2][CM)][LL]2012, 60(4):1684-1695.
[12] Shenghua Gao, Ivor Wai-Hung Tsang, Liang-Tien Chia.Sparse representation with kernels[J].IEEE Transactions on Image Processing, 2013, 22(2):423-434.
[13] Hao Zheng, Fan Liu, Zhong Jin.Multiple kernel sparse representation based classification[A].Chen-Lin Liu.Chinese Conference on Pattern Recognition(CCPR)[C].Berlin Heidelberg:Springer CCIS, 2012.48-55.
[14] Hsin-Chien Huang, Yung-Yu Chuang, Chu-Song Chen.Multiple kernel fuzzy clustering[J].IEEE Transactions on Fuzzy Systems, 2012, 20(1):120-134.
[15] Gert R G Lanckriet, Nello Cristianini, Peter Bartlett, Laurent El Ghaoui, Michael I Jordan.Learning the kernel matrix with semidefinite programming[J].The Journal of Machine Learning Research, 2004, 5 (1):27-72.
[16] Feiping Nie, Heng Huang, Xiao Cai, Chris Ding.Efficient and robust feature selection via joint2, 1-norms minimization[A].Neural Information Processing Systems(NIPS)[C].Cambridge:MIT Press, 2010.1813-1821.
[17] Imran Naseem, Roberto Togneri, Mohammed Bennamoun.Linear regression for face recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(11):2106-2112.

基于多重核的稀疏表示分类

Multiple Kernel Sparse Representation-Based Classification

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	张伟, 王沙飞, 林静然, 利强, 邵怀宗. 基于孪生网络的电磁目标跨模式识别算法[J]. 电子学报, 2022, 50(6): 1281-1290.
[2]	利强, 张伟, 金秋园, 姚欣. 基于知识原型网络的小样本多功能雷达工作模式识别[J]. 电子学报, 2022, 50(6): 1344-1350.
[3]	杨国为, 万鸣华, 赖志辉, 张凡龙, 黄伟强. 具有合适拒识机制的高正确识别率分类器设计[J]. 电子学报, 2021, 49(8): 1569-1576.
[4]	史先进, 曹爽, 张重生, 陶月锋, 吕灵灵, 沈夏炯. 基于锚点的字符级甲骨图像自动标注算法研究[J]. 电子学报, 2021, 49(10): 2020-2031.
[5]	王丽, 杜鹏程, 许一鸣, 李必信. 基于分层架构模式识别的软件架构重构技术[J]. 电子学报, 2021, 49(1): 201-208.
[6]	陈允杰, 马辰阳, 孙乐, 詹天明. 基于边缘修正的高光谱图像超像素空谱核分类方法[J]. 电子学报, 2019, 47(1): 73-81.
[7]	孙曜, 文成林, 韦巍. 基于脑电和眼电的运动想象多尺度识别方法研究[J]. 电子学报, 2018, 46(3): 714-720.
[8]	谢晓丹, 李伯虎, 柴旭东. 计算和存储空间受限下的数据稀疏核分析方法[J]. 电子学报, 2017, 45(6): 1362-1366.
[9]	刘斌, 高强. 基于双正交小波变换的矩不变量[J]. 电子学报, 2017, 45(4): 826-831.
[10]	席旭刚, 汤敏彦, 张自豪, 张启忠, 罗志增. 融合表面肌电和加速度信号的下肢运动模式识别研究[J]. 电子学报, 2017, 45(11): 2735-2741.
[11]	席旭刚, 左静, 罗志增. 肌电模糊熵特征的加权核FDA跌倒识别[J]. 电子学报, 2016, 44(6): 1376-1382.
[12]	王进, 刘彬, 张军, 陈乔松, 邓欣. 用于微阵列数据分类的子空间融合演化超网络[J]. 电子学报, 2016, 44(10): 2308-2313.
[13]	余晓东, 雷英杰, 宋亚飞, 岳韶华, 申晓勇. 基于核距离的直觉模糊c均值聚类算法[J]. 电子学报, 2016, 44(10): 2530-2534.
[14]	胡正平, 高红霄, 赵淑欢. 基于低秩分解的联合动态稀疏表示多观测样本分类算法[J]. 电子学报, 2015, 43(3): 440-446.
[15]	李兵, 董俊, 刘鹏远, 米双山. 模糊格构造型形态神经网络[J]. 电子学报, 2014, 42(2): 319-327.