论文部分内容阅读
基于稀疏表示理论提出一种稀疏正则化最小类散度半监督分类机（SRMCV），且对于模式分类问题， SRMCV通过引入稀疏Laplacian正则化项和类内散度信息以实现预测空间函数在全局稀疏表示结构下平滑变化，同时通过类内数据散度结构进一步优化决策函数的判别方向，此方法能解决现有 SSL 方法对模型参数敏感和在噪声学习环境下缺乏鲁棒性等问题，其有效性已在实际数据集上通过实验验证。