● 摘要
稀疏编码是基于统计学习理论，为更好的解决分类问题而提出来的一种新的编码方法。其目的在于减小量化误差，提高分类和检索的精度。
词袋方法在图像分类与检索方面有很广泛的应用[1]，由于词袋方法中的向量量化采用的是最近邻的方法，导致了量化误差相对较大。通过软量化的方法对信号进行重构，一定程度上可以减小量化误差，得到一个相对较好的结果，但增加了很多训练时间。在文献[2]中，作者提出用稀疏编码的方法重构信号，把原来词袋方法中的分类器由非线性的径向基核函数换成线性的LBFGS[2]核，很大程度上降低了训练和检测时间。在文献[3]中，作者在做人脸图像匹配时，通过求取旋转稀疏矩阵的方法，减小了量化误差，取得了比较好的分类精度。
本文中我们主要研究了昆虫的特征提取与分类算法，首先采用了主成分分析和线性判别分析的方法，把高维的训练样本变到低维的训练样本；然后利用高维的训练样本与低维的训练样本，学习出一个旋转稀疏矩阵；最后，利用学习到的旋转稀疏矩阵，进行样本的分类与检索。实验结果表明，利用此方法可以提高昆虫识别与分类的精度。稀疏编码是基于统计学习理论，为更好的解决分类问题而提出来的一种新的编码方法。其目的在于减小量化误差，提高分类和检索的精度。
词袋方法在图像分类与检索方面有很广泛的应用[1]，由于词袋方法中的向量量化采用的是最近邻的方法，导致了量化误差相对较大。通过软量化的方法对信号进行重构，一定程度上可以减小量化误差，得到一个相对较好的结果，但增加了很多训练时间。在文献[2]中，作者提出用稀疏编码的方法重构信号，把原来词袋方法中的分类器由非线性的径向基核函数换成线性的LBFGS[2]核，很大程度上降低了训练和检测时间。在文献[3]中，作者在做人脸图像匹配时，通过求取旋转稀疏矩阵的方法，减小了量化误差，取得了比较好的分类精度。
本文中我们主要研究了昆虫的特征提取与分类算法，首先采用了主成分分析和线性判别分析的方法，把高维的训练样本变到低维的训练样本；然后利用高维的训练样本与低维的训练样本，学习出一个旋转稀疏矩阵；最后，利用学习到的旋转稀疏矩阵，进行样本的分类与检索。实验结果表明，利用此方法可以提高昆虫识别与分类的精度。