论文部分内容阅读
基于表示的分类是模式识别领域中的一类重要分类方法.为提升基于表示的分类算法的分类精度,提出一种极坐标变换下的表示分类方法.该方法将原始样本数据的各分量对应成极坐标系下的角坐标分量,然后利用直角坐标系与极坐标系的转换公式,将原始样本数据的各分量投影为圆上或球面上一点,实现每个分量从一维到二维(圆上)或三维(球面上)的转换,并最终实现数据的扩维;最后以扩维后的新样本数据构建基于表示的分类算法.在多个分类数据库上的实验结果表明,本文方法在分类精度方面优于传统的基于表示的分类方法.