基于k-最小表示误差类的表示分类方法

基于表示的分类(representation-based classification,RC)通常使用所有类的训练样本来表示测试样本。然而,是否需要使用全部类来表示测试样本仍有待研究。为此,提出一种两阶段表示分类框架。首先使用RC算法计算测试样本相对于全部类的训练样本的表示系数,找出前k(k≥1)个具有最小表示误差的类;然后利用该k个类的训练样本,再次应用RC算法对测试样本进行表示,并通过从这k个类中找出最小表示误差类来确定测试样本的类别。此外,提出了一种非负加权协同表示分类算法。所提分类框架中的前后两个RC算法可以相同也可以不同。取前后两个RC相同,对五种RC,在五个数据库上进行实验,实验结果表明,所提两阶段表示分类框架大多数情况下能显著提升原RC算法的分类精度。