简历项目（一）基于稀疏表示的多动症疾病分类

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