matlab的稀疏表示分类,基于稀疏表示的分类方法

四天数模，做得不好，但收获不小。最后还通宵一宿，多日后得以重获新生，特做个小记，聊记心得。

本次选题为神经元的分类和聚类，前者给定种类，需要通过训练样本找寻分类特征，再用测试样本测试分类方法的正确性。后者未给定种类，需要根据相似度找出分类。分类方法众多，比如PCA，一种简单的线性统计主成分分析方法，见参考文献【1】；又或灰度关联法，不需要任何基础知识的分类法，见参考文献【2】。这里将总结一种基于稀疏表示的分类方法。

本科期间应该很多人都学过线性相关，即若y与x1、x2……xn相关，则必有y能被x1、x2……xn线性表示。稀疏分析即基于此，只需将y看成是测试样本，x1、x2……xn当作是训练样本，如果y能被x1、x2……xn表出，则认为y属于x1、x2……xn所在类型。当然，这仅是理想状况，由于有噪声等干扰因素的存在，要使y能由x1、x2……xn精确表出，要求过于严格，需要做具体的处理，比如寻求最小残差。

因为实际上测试样本y，初始时无法肯定属于哪一个类型，它可能属于n类中的任何一类，因此我们先定义一个矩阵A，A中包含所有类的训练样本信息，A如下：

因此对测试样本y可以表示成：

y=A*X0

其中X0是系数向量