徐健　景明利　齐春　常志国

摘要：针对稀疏表示残差过大的问题，提出了采用遗传算法的分层贪婪字典训练算法．该算法首先将数据样本变成一维信号，然后将问题划分为若干个子问题，采用贪婪算法思想分层训练字典．为了以一定概率寻找到每一层字典的最优值，使用遗传算法来训练每一层字典，最后将每层字典级联作为最终的字典．在训练每一层字典时，先采用号码矩阵对样本的分类进行表示，然后以平均低秩逼近的残差能量作为衡量适应度的参数，以联赛选择的方式选出优胜个体，通过单点交叉和变异方法产生新的个体．对二值序列的稀疏表示信号重建的实验结果表明，该算法在训练样本量较小的情况下，与传统的核奇异值分解算法相比，训练得到的字典在同样的稀疏度约束下重建信噪比提高了10倍以上。