基于Fisher字典學習的可拒絕模式識別方法的應用研究.pdf

1、傳統(tǒng)的識別方法遵循先特征提取、后輸入分類器的一般研究規(guī)律，受選取的特征影響較大，增加了識別的復雜性。倉庫管理系統(tǒng)是企業(yè)的重要組成部分。隨著現(xiàn)代化企業(yè)的不斷發(fā)展，倉庫貨品的準確快速識別受到越來越多的重視。然而，倉庫貨品種類較多，特征不明顯，使用傳統(tǒng)的分類方法，更加大了識別的困難性。
　　本文在稀疏表示和可拒絕模式的基礎上，提出了基于Fisher字典學習的可拒絕模式識別方法。首先針對經(jīng)典的SRC（Sparse Representati

2、on based Classification）在字典構(gòu)造過程中丟失大量分類信息的問題，將Fisher準則應用到判別字典學習中，使得判別字典在學習過程中維度和字典原子個數(shù)可以較少，識別更加簡單快速;然后，針對實際應用中測試樣本存在非訓練類輸入的情況，提出了基于Fisher字典學習的可拒絕模式識別方法，對非訓練類例外模式進行有效的拒絕;最后，針對直接使用訓練樣本構(gòu)建超球覆蓋模型數(shù)據(jù)量較大，耗費時間較長的問題，提出了改進的基于Fisher字