项目背景:给定的多动症疾病数据,利用稀疏表示进行特征空间分离,实现对患病和正常人的分类测试,通过分类准确率量化算法的性能。
项目难点:对患病和非患病的数据进行特征空间分离时,会存在误分类,即会出现假正例,假反例,也就是会把患病的分到不患病的特征里面。
项目工作:
(1)模型建立
稀疏表示的特征空间分离模型,用于区分患病与正常的特征。
稀疏表示:通过训练数据构建字典,然后通过字典学习表示数据特征的方法。就像小时候学习语文中的一句话,我们想要理解这一句话的意思就需要通过查询字典,整个句子就可以通过几个词合并起来,成为一句我们可以理解的话。这里面我们说的字典就如同稀疏表示的字典,我们理解这句话的过程就是字典学习的过程。具体的表示可以参考稀疏表示
稀疏表示的好处:可以对庞大的数据集进行降维表示,与压缩感知相类似。
在本项目中,稀疏表示的具体过程为:
a.输入给定的数据集,首先进行字典的初始化,一般常用DCT作为初始字典,参数设置字典的大小.
b.系数求解:需要对字典归一化,防止数值异常影响结果,求解稀疏
简历项目(一)基于稀疏表示的多动症疾病分类
最新推荐文章于 2023-09-07 10:48:37 发布