sparse coding中的字典学习方法研究开题报告

全文总字数：754字

1. 研究目的与意义

稀疏编码（sparse coding）是一种将数据向量用基本元素的稀疏线性组合表示的技术。

它被广泛应用在机器学习，神经科学，信号处理和统计学中。

随着研究的推进，在工程上利用计算机来模拟视觉系统成为可能。

2. 国内外研究现状分析

早在1959年,David Hubel和Toresten Wiesel通过对猫的视觉条纹皮层简单细胞感受野的研究得出一个结论:主视皮层V1区神经元的感受野能对视觉感知信息产生一种稀疏表示。

经过数十年的发展，国外从事稀疏编码研究的人员又提出了许多稀疏编码算法,涌现出了大量的稀疏编码方面的论文,国内研究者在稀疏编码算法和应用方面也作了一些工作,但远远落后于国外研究者所取得的成果。

3. 研究的基本内容与计划

2017年2月到3月初，了解稀疏编码的概念和已有的研究成果。

2017年3月到4月初，熟悉matlab程序设计方法和技巧，熟悉标准数据库的使用方法。

2017年4月到2017年6月初，1.熟悉sparse coding、字典学习的运行机理，并结合具体应用问题，编程实现之；2 从训练时间和识别精度两个方面，考察在图像表示上真实效果；3.完成毕业论文。

4. 研究创新点

我们将会介绍一种新的学习字典随机在线算法，它适用于稀疏编码任务，并被证明是收敛的。

初步试验表明它比批处理方法相对于包含百万训练样本的大规模训练集在速度上有很大提高，并且不像常规的梯度下降方法那样需要学习效率优化。

当然我们还需要更多的实验来达到图像恢复任务中该方法的预期效果。