稀疏编码的研究历史
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”。1961年,H.B.Barlow[5]基于这一知识提出了“利用感知数据的冗余”进行编码的理论.1969年,D.J.Willshaw和O.P.Buneman等人提出了基于Hebbian 学习的局部学习规则的稀疏表示模型.这种稀疏表示可以使模型之间有更少的冲突,从而使记忆能力最大化.Willshaw模型的提出表明了稀疏表示非常有利于学习神经网络中的联想.1972年,Barlow推论出在稀疏性(Sparsity)和自然环境的统计特性之间必然存在某种联系.随后,有许多计算方法被提出来论证这个推论,这些方法都成功地表明了稀疏表示可以体现出在大脑中出现的自然环境的统计特性.1987年,Field提出主视皮层V1区简单细胞的感受野非常适于学习视网膜成像的图像结构,因为它们可以产生图像的稀疏表示.基于这个结论,1988年,Michison明确提出了神经稀疏编码的概念,然后由牛津大学的E.T.Roll 等人正式引用.随后对灵长目动物视觉皮层和猫视觉皮层的电生理的实验报告,也进一步证实了视觉皮层复杂刺激的表达是采用稀疏编码原则的.1989年,Field提出了稀疏分布式编码(Sparse Distributed Coding)方法.这种编码方法并不减少输入数据的维数,而是使响应于任一特殊输入信息的神经细胞数目被减少,信号的稀疏编码存在于细胞响应分布的四阶矩(即峭度Kurtosis)中.1996年,Olshausen和Field在Nature杂志上发表了一篇重要论文指出,自然图像经过稀疏编码后得到的基函数类似于V1区简单细胞感受野的反应特性.这种稀疏编码模型提取的基函数首次成功地模拟了V1区简单细胞感受野的三个响应特性:空间域的局部性、时域和频域的方向性和选择性.考虑到基函数的超完备性(基函数维数大于输出神经元的个数),Olshausen 和Field在1997年又提出了一种超完备基的稀疏编码算法,利用基函数和系数的概率密度模型成功地建模了V1区简单细胞感受野.1997年,Bell和Sejnowski 等人把多维独立分量分析(Independent Component Analysis, ICA)用于自然图像数据分析,并且得出一个重要结论:ICA实际上就是一种特殊的稀疏编码方法.2014年，21世纪以来,国外从事稀疏编码研究的人员又提出了许多新的稀疏编码算法,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.
src是什么意思?
src是汽车上的同步遥控。RC键一般出现在多功能方向盘上，通过按压该按键就可以切换音源。例如，音量调节、可取选择、车载电话、空调调节、音响控制等，这样一来驾驶员的手在不离开方向盘的情况下，就能执行相应的操作，这一定程度上加大了行车的安全性。同步遥控一般有两种：1、和张力系统一同使用，张力系统也是一种同步控制器件，主要是以转速和扭矩等量的同步来实现的。2、空间定位控制器就是位置同步，主要会应用在机器人、数控机床等系统的轴间联动使用，就是一种轴间的位置跟踪定位。SRC按键并没有特别复杂的使用方法，简单按压就能实现音源切换。比方说，在驾车的时候想听收音机，但在高速上行驶却不宜伸手去按压收音机按键，此时就可以通过SRC按键去实现。
稀疏编码的起源
人眼视觉感知机理的研究表明,人眼视觉系统(Human Visual System, HVS)可看成是一种合理而高效的图像处理系统.在人眼视觉系统中,从视网膜到大脑皮层存在一系列细胞,以“感受野”模式描述.感受野是视觉系统信息处理的基本结构和功能单元,是视网膜上可引起或调制视觉细胞响应的区域.它们被视网膜上相应区域的光感受细胞所激活,对时空信息进行处理.神经生理研究已表明:在初级视觉皮层(Primary Visual Cortex)下细胞的感受野具有显著的方向敏感性,单个神经元仅对处于其感受野中的刺激做出反应,即单个神经元仅对某一频段的信息呈现较强的反映,如特定方向的边缘、线段、条纹等图像特征,其空间感受野被描述为具有局部性、方向性和带通特性的信号编码滤波器.而每个神经元对这些刺激的表达则采用了稀疏编码(Sparse Coding, SC)原则,将图像在边缘、端点、条纹等方面的特性以稀疏编码的形式进行描述.从数学的角度来说,稀疏编码是一种多维数据描述方法,数据经稀疏编码后仅有少数分量同时处于明显激活状态,这大致等价于编码后的分量呈现超高斯分布.在实际应用中,稀疏编码有如下几个优点:编码方案存储能力大,具有联想记忆能力,并且计算简便;使自然信号的结构更加清晰;编码方案既符合生物进化普遍的能量最小经济策略,又满足电生理实验的结论.
src是什么意思？
SRC-sparse representation-based classifier .基于稀疏表达的分类。稀疏编码的概念来自于神经生物学。生物学家提出，哺乳类动物在长期的进化中，生成了能够快速，准确，低代价地表示自然图像的视觉神经方面的能力。我们每看到的一副画面都是上亿像素的，我们的大脑很难像电脑那样直接存储。研究表明，我们每一副图像都提取出很少的信息用于存储。我们把它叫做稀疏编码，即Sparse Coding.用法：在HTML语言中，网页中插入图片所用标签, 的src属性用来指定图片位置。如便是插入名为ming.bmp的图象. 此时SRC是source的简写，意思是“源”即image的源文件为ming.bmp；网页中插入脚本所用标签,的src属性用来指定脚本文件的位置。如,意思如上；在汇编中SRC表示源操作数，source code.在linux或unix系统的安装包中src为源代码的目录，例如snort的源码安装中src目录下为snort的源代码。
图像特征提取代码
颜色特征提取
sourceimg =img2double(img); %将图像img转换成double数据类型
rmatix = sourceimg( :, : ,1); %分别提取图像的r,g,b分量
gmatix = sourceimg( :, : , 2);
bmatix =sourceimg( :, :, 3);
2.形状特征
grayimg = rgb2gray( sourceimg ); %将rgb图像转换成灰度图像
hx = [-1 0 1;
-2 0 2;
-1 0 1;] %x方向3*3窗口滤波因子，不记得是哪个模板了
hy = hx’; %转置，Y方向滤波因子，
hxx = [1 0 -2 0 1;
4 0 -8 0 4;
6 0 -12 0 6;
4 0 -8 0 4;
1 0 -2 0 1;] %x方向5*5窗口滤波因子
hyy = hxx’; %转置，Y方向滤波因子
dx = imfilter(grayimg, hx); %滤波进行时。
dy = imfilter(grayimg, hy);
dxx = imfilter(grayimg, hxx);
dyy =imfilter(grayimg, hyy);
3.图像信息检索
r = rsshape( rmatix, m*n, 1); %rsshape是你自己写的程序吗？还是写错了(reshape)
g = rsshape( gmatix, m*n, 1); %reshape是修改图像的大小
b = rsshape( bmatix, m*n, 1);
dx1 = rsshape( dx, m*n, 1);
dy1 = rsshape( dy, m*n, 1);
dxx1 = rsshape( dxx, m*n, 1);
dyy1 = rsshape( dyy, m*n, 1);
Feature = [r, g, b, dx1, dy1, dxx1,dyy1]; %横向合并矩阵
Feature = double(Feature); %将Feature改成double型
M1= cov(Feature); %求Feature的协方差矩阵
稀疏编码的稀疏编码的应用
近年来,许多神经生理学家在视觉系统上已展开了全面深入的研究,并且取得了一些有重要意义的研究成果.这就使得在工程上利用计算机来模拟视觉系统成为可能.基于这一认识,利用已有的生物学科研成果,联系信号处理、计算理论以及信息论知识,通过对视觉系统进行计算机建模,使计算机能在一定程度上模拟人的视觉系统,以解决人工智能在图像处理领域中碰到的难题.神经稀疏编码算法正是这样一种建模视觉系统的人工神经网络方法。这种算法编码方式的实现仅依靠自然环境的统计特性,并不依赖于输入数据的性质,因而是一种自适应的图像统计方法.目前,稀疏编码SC方法在盲源信号分离、语音信号处理、自然图像特征提取、自然图像去噪以及模式识别等方面已经取得许多研究成果,具有重要的实用价值,是当前学术界的一个研究热点.进一步研究稀疏编码技术,不仅会积极地促进图像信号处理、神经网络等技术的研究,而且也将会对相关领域新技术的发展起到一定的促进作用.
编码器扩展的基本方法
自编码器稀疏自编码器：稀疏自编码器通常用于学习分类等其他任务的特征。稀疏自编码器必须响应数据集独特的统计特征，而不仅仅是作为标识函数。通过这种方式，用稀疏性惩罚来执行复制任务的训练可以产生有用的特征模型。写址操作：按下电源开关，再按数字键“1”进入读写地址界面。用编码器的可伸缩接触插孔连接回路部件的LL2端子。其中探测器类使用伸缩接触导针6和8，模块类使用伸缩接触导针7和8。自编码器（简称AE）是一种无监督的神经网络模型，最初的AE是一个三层的前馈神经网络结构，由输入层、隐藏层和输出层构成，其核心的作用是能够学习到输入数据的深层表示。无监督。自编码器（autoencoder，AE）是一类在半监督学习和非监督学习中使用的人工神经网络，属于无监督学习模型，其功能是通过将输入信息作为学习目标，对输入信息进行表征学习。推荐系统中自编码器的输入是Autoencoder。自编码器Autoencoder，AE，是一种利用反向传播算法使得输出值等于输入值的神经网络，先将输入压缩成潜在空间表征，借助这种表征来重构输入。怎样使用编码器另外编码器直接安装于高速端，马达抖动须较小，不然易损坏编码器。因为编码器输出的是标准的方波，所以可以使用单片机（STM32\STM851等）直接读取。在软件中的处理方法是分两种，自带编码器接口的单片机如STM32，可以直接使用硬件计数。这种编码器的输出方式为长线驱动（linedriver），其中A+A-B+B-Z+Z-为输出的信号线，增量编码器给出两相方波，它们的相位差90°（电气上），通常称为A通道和B通道。使用方法如下：安装编码器：将编码器固定在测量对象上，确保与测量对象之间的旋转轴线对齐，并紧固螺丝。连接电路：将编码器的输出端口连接到相应的仪器或控制器的输入端口上，注意正确连接信号线和电源线。写址操作：按下电源开关，再按数字键“1”进入读写地址界面。用编码器的可伸缩接触插孔连接回路部件的LL2端子。其中探测器类使用伸缩接触导针6和8，模块类使用伸缩接触导针7和8。编码器的工作原理是怎样的?1、编码器的工作原理是由一个中心有轴的光电码盘，其上有环形通、暗的刻线，有光电发射和接收器件读取，获得四组正弦波信号组合成A、B、C、D。2、编码器的工作原理：它是一种将旋转位移转换成一串数字脉冲信号的旋转式传感器，这些脉冲能用来控制角位移，如果编码器与齿轮条或螺旋丝杠结合在一起，也可用于测量直线位移。按照工作原理编码器可分为增量式和绝对式两类。3、接收器的工作是感受光盘转动所产生的光变化，然后将光变化转换成相应的电变化。一般地，旋转编码器也能得到一个速度信号，这个信号要反馈给变频器，从而调节变频器的输出数据。4、光电编码器的工作原理光电编码器，是一种通过光电转换将输出轴上的机械几何位移量转换成脉冲或数字量的传感器。这是目前应用最多的传感器，光电编码器是由光栅盘和光电检测装置组成。5、编码器把角位移或直线位移转换成电信号，前者称为码盘，后者称为码尺。按照读出方式编码器可以分为接触式和非接触式两种；按照工作原理编码器可分为增量式和绝对式两类。编码器如何接线根线的编码线，黑色跟棕色分别是编码器的电源线，其它三根线分别是输出线。白色是A+、橘色是A-、蓝色是B相线。首先将棕色线接入PLC的24v电路中。黑色线接入S1线路。将蓝色线接入PLC的0V。在接线时，需要首先确定编码器的类型，并且与驱动器连接之前，需要了解驱动器的编码器输入接口的定义。具体接线方法可以参照接线图进行连接，但必须保证相同颜色的导线和相应的信号相连。主轴编码器需要将信号线接到数控系统的反馈接收口。主轴编码器采用与主轴同步的光电脉冲发生器，通过中间轴上的齿轮1：1地同步传动。将编码器的A、B直接接在plc的232通讯接口上，编码器的A、B分别与plc的X0和X1相连。另外，如果将编码器的A、B接在X3与X4上时需要注意plc的X5不能接任何线，否则不计数。
