1樓：匿名使用者
準確地說，是一種分類
器演算法。
稀疏表示可作為基礎理論用於構建稀疏表示分類器(sparse representation classifier, src)。src 假定當測試樣本所在類的訓練樣本數足夠多時，測試樣本可由這些訓練樣本進行線性表示，而其它類的樣本對重構該測試樣本的貢獻為 0，從而將一般訊號的分類問題轉化為了一種稀疏表示問題。大量實驗證明，這類分類器能夠較好地應用於影象分類和目標跟蹤問題。
wright 指出 src 對資料缺損不敏感，當所求係數足夠稀疏時，特徵空間的選取變得不再重要；這些優勢使得 src成為一種非常優秀的分類演算法。雖然大量實驗證明基於src是一種具有潛力的影象分類器，但近期一些文獻[20][21]指出，對於小樣本分類問題，係數的稀疏性對分類準確率並沒有實質的幫助。針對此題，huang等在文獻[4]中指出結合線性判別分析技術能夠提升類間的區分度，提升稀疏分類效果。
shenghua等在文獻[22]中成功將核函式(kernel)技巧與稀疏分類結合在了一起，此文獻提出了基於feature-sign search(fss)的核函式稀疏分類(ksrc)演算法並將其成功應用於人臉識別問題中。然而，cuicui kang等在文獻[6]中指出使用fss方法求取ksrc中凸優化問題的效率較低，此文獻提出了核函式座標下降法(kcd)用以求解凸優化問題，並結合lbp特徵構建了人臉識別系統。
訊號稀疏分解有哪些演算法？原理如何
2樓：匿名使用者
即含零元素特別多，可以參考「稀疏矩陣」的定義。 如果在矩陣中，多數的元素為0，稱此矩陣為稀疏矩陣（sparse matrix）。 其實不一定是零，只要是無用元素（無益於增加資料資訊量的元素很多），都可以稱其為資料稀疏。
樸素貝葉斯分類器和一般的貝葉斯分類器有什麼區別
為了測試評估貝葉斯分類器的效能,用不同資料集進行對比實驗是必不可少的.現有的貝葉斯網路實驗軟體包都是針對特定目的設計的,不能滿足不同研究的需要.介紹了用matlab在bnt軟體包基礎上建構的貝葉斯分類器實驗平臺mbnc,闡述了mbnc的系統結構和主要功能,以及在mbnc上建立的樸素貝葉斯分類器nbc...
即能表示原子，又能表示一種元素，還能表示一種物質的化學符號有
符合這樣要求的物質有 金屬，如cu fe ca等 稀有氣體，如he ne等 某些固體非金屬，如c p s等 由原子直接構成的物質都可以如此。例如 1所有的金屬 fe mn na m g cu 2稀有氣體he ne ar 3某些固態非金屬s c p 1所有的金屬 fe mn na m g cu ag ...
比表示什麼？分數是一種什麼？除法是一種什麼
除法是一種運算，分數是一種數，比是一種關係。1 除法 除法是四則運算之一。已知兩個因數的積與其中一個因數，求另一個因數的運算，叫做除法。除法 若ab c b 0 用積數c和因數b來求另一個因數a的運算就是除法，寫作c b，讀作c除以b 或b除c 其中，c叫做被除數，b叫做除數，運算的結果a叫做商。如...