專案背景：給定的多動症疾病資料，利用稀疏表示進行特徵空間分離，實現對患病和正常人的分類測試，通過分類準確率量化演算法的效能。
專案難點：對患病和非患病的資料進行特徵空間分離時，會存在誤分類，即會出現假正例，假反例，也就是會把患病的分到不患病的特徵裡面。
專案工作：
（1）模型建立
稀疏表示的特徵空間分離模型，用於區分患病與正常的特徵。
稀疏表示：通過訓練資料構建字典，然後通過字典學習表示資料特徵的方法。就像小時候學習語文中的一句話，我們想要理解這一句話的意思就需要通過查詢字典，整個句子就可以通過幾個詞合併起來，成為一句我們可以理解的話。這裡面我們說的字典就如同稀疏表示的字典，我們理解這句話的過程就是字典學習的過程。具體的表示可以參考

稀疏表示
稀疏表示的好處：可以對龐大的資料集進行降維表示，與壓縮感知相類似。
在本專案中，稀疏表示的具體過程為：
a.輸入給定的資料集，首先進行字典的初始化，一般常用DCT作為初始字典，引數設定字典的大小.
b.係數求解：需要對字典歸一化，防止數值異常影響結果，求解稀疏係數，採用OMP演算法進行逼近求解
c.字典學習：通過獲得的係數和進行字典更新，進而進行資料特徵的表示，由此獲得資料的特徵
（2）特徵選取
採用SVMRFE進行特徵排序，剔除不重要的特徵資料
（3）資料分類
採用SVM函式進行分類
整個專案的程式碼流程：
（1）資料讀入： data = load（）
（2）資料分為測試集和訓練集：P = cvpartition(Y_sample,’Holdout’,0.1); 選取樣本的10%進行測試對於資料集類別不均衡的情況採用SMOTE方法
（3）字典初始化：隨機構造矩陣
（4）字典學習：字典歸一化後，進行OMP演算法求解稀疏係數

D_temp = D_temp./(ones(size(X_data_temp))*temp); % normalized dicitonary for OMP
coef = omp(D_temp, X_data_temp, [], T_sparsity);

（5）字典學習：採用的是D = ksvd（）方法進行字典求解
（6）特徵排序：採用SVM-RFE特徵遞迴消除進行特徵排序，確定資料集中重要的特徵。

[ftRank,ftScore] = ftSel_SVMRFECBR(X_train_temp(:,1:end-1),Y_train_temp,nStopChunk);

（7）SVM訓練：

   SVMStruct = svmtrain(data_train,double(2*(inform_train.tag>0)-1),'tolkkt',0.05,'kktviolationlevel',0.02,'kernel_function','rbf'); 

這裡面引數採用的RBF高斯核進行訓練。

（8）分類

 species = svmclassify(SVMStruct,[X_new' X_test_temp_phenotypic_tmp]);

（9）正確率求解
cal_kkk(kkk,:)=sum(ACC’)/testN/P.TestSize

總結：
<1>採用MATLAB程式設計實現分類演算法，雖然該演算法與機器學習的相關演算法相比執行速度較慢，但是該演算法在分類率上卻比深度學習的演算法有所提高，尤其對於小資料集而言。
<2>演算法流程關於資料處理的部分採用的與深度學習的方法類似。