用于鲁棒高光谱图像分类的类别依赖稀疏表示分类器

基于摘要分析。本文研究高光谱图像分类，针对稀疏表示分类器（SRC）未利用样本间欧氏距离关系的问题，提出类别依赖稀疏表示分类器 cdSRC，在类别层面结合 SRC 与 K-nearest neighbor classifier 的思想，同时利用重构残差和欧氏距离进行分类。 SRC 的基本假设是：测试样本可由同类的少量训练样本线性表示。cdSRC 在此基础上构建统一的类别隶属函数，结合测试样本与训练样本的相关性及欧氏距离关系。其可核对的方法价值在于将重构证据与距离证据共同用于类别判断，而非仅依赖稀疏表示。摘要未给出具体优化目标、隶属函数公式、距离归一化及融合参数的确定方式，这些细节尚未验证。 作者报告，在若干真实高光谱数据集的分类实验中，cdSRC 相比 SRC 提升分类性能，并优于 support vector machine 等分类器。摘要未列出数据集名称、评价指标、数值、数据划分或基线调参条件，因此无法判断收益幅度及其稳定性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 特征具有可比较的距离尺度，且同类样本能够通过少量训练样本近似线性重构，该机制可能用于检验重构残差与局部距离是否提供互补信息。可复用的是按类融合两类证据的思路，需改造的是 EEG 特征、距离尺度和训练字典；低信噪比、通道差异、跨被试偏移及小数据可能同时破坏距离与重构假设。一个可证伪的小实验是在固定 EEG 特征和被试内划分下，对照 SRC、K-nearest neighbor classifier 与 cdSRC，仅在训练数据内选择参数，检验融合是否稳定改善分类。相关 EEG 工作尚未检索确认，不能将高光谱结果视为 BCI 有效性证据。