最小平方误差分类具有较优的理论性质，但其在应用中存在如下问题：算法鲁棒性低，对同一类别的测试样本与训练样本有较大差异的情况，算法容易产生错误分类结果。作为一类重要的最小平方误差分类方法，（稀疏）描述方法在人脸识别等应用中取得了不错的效果，但仍存在其算法未能充分地利用训练样本与测试样本这两类数据来评估测试样本与各类别间相似性等问题。同时，该类方法在生物特征识别应用中也忽略了生物特征数据本身所具有的不确定这一重要特性。针对这些问题，本项目以设计新的最小平方误差分类方法为重点，将设计鲁棒最小平方误差分类、稀疏最小平方误差方法、基于原始人脸图像及对称脸的双向样本表示与分类方法的设计、以及基于总体最小二乘法的样本表示与识别方法的设计、基于不确定数据理论的样本表达与识别等方法。本项目设计的方法与算法将非常适合人脸识别等生物特征识别任务。
