补充稀疏编码前篇-Sparse coding

补充稀疏编码前篇-Sparse coding

稀疏编码前篇-Sparse coding
这里是对这篇文章做几个关键点的补充。
1、稀疏表示的方法提取特征，其实现包括两个过程，一是基向量的学习过程，也称为字典学习过程，在这个过程中，我们利用大量训练样本，通过无监督的学习方法获得一组冗余的基向量并采用k-svd算法进行对字典更新；二是线性拟合（稀疏系数）的求解过程，这一步，根据约束条件的不同，所得的结果是不同的，这个过程利用OMP算法对稀疏系数进行更新。
2、正交匹配追踪（OMP）算法：
1）输入：字典D，信号y，目标稀疏度T或者目标误差e
2）输出：稀疏表示系数x 能使得y ≈ Dx
3）初始化：令残差向量 r等于信号y，x=0
4）计算dTx的内积，从字典中找到与e的内积绝对值最大的原子，表示为φ
5）通过从e减去其在φ中所张成空间上的正交投影得到残差e1
6）对残差迭代执行4/5步
7）直到达到指定的结束规则值后停止迭代。