项目背景：给定的多动症疾病数据，利用稀疏表示进行特征空间分离，实现对患病和正常人的分类测试，通过分类准确率量化算法的性能。
项目难点：对患病和非患病的数据进行特征空间分离时，会存在误分类，即会出现假正例，假反例，也就是会把患病的分到不患病的特征里面。
项目工作：
（1）模型建立
稀疏表示的特征空间分离模型，用于区分患病与正常的特征。
稀疏表示：通过训练数据构建字典，然后通过字典学习表示数据特征的方法。就像小时候学习语文中的一句话，我们想要理解这一句话的意思就需要通过查询字典，整个句子就可以通过几个词合并起来，成为一句我们可以理解的话。这里面我们说的字典就如同稀疏表示的字典，我们理解这句话的过程就是字典学习的过程。具体的表示可以参考稀疏表示
稀疏表示的好处：可以对庞大的数据集进行降维表示，与压缩感知相类似。
在本项目中，稀疏表示的具体过程为：
a.输入给定的数据集，首先进行字典的初始化，一般常用DCT作为初始字典，参数设置字典的大小.
b.系数求解：需要对字典归一化，防止数值异常影响结果，求解稀疏系数，采用OMP算法进行逼近求解
c.字典学习：通过获得的系数和进行字典更新，进而进行数据特征的表示，由此获得数据的特征
（2）特征选取
采用SVMRFE进行特征排序，剔除不重要的特征数据
（3）数据分类
采用SVM函数进行分类
整个项目的代码流程：
（1）数据读入： data = load（）
（2）数据分为测试集和训练集：P = cvpartition(Y_sample,’Holdout’,0.1); 选取样本的10%进行测试对于数据集类别不均衡的情况采用SMOTE方法
（3）字典初始化：随机构造矩阵
（4）字典学习：字典归一化后，进行OMP算法求解稀疏系数
D_temp = D_temp./(ones(size(X_data_temp))*temp); % normalized dicitonary for OMP
coef = omp(D_temp, X_data_temp, [], T_sparsity);
（5）字典学习：采用的是D = ksvd（）方法进行字典求解
（6）特征排序：采用SVM-RFE特征递归消除进行特征排序，确定数据集中重要的特征。
[ftRank,ftScore] = ftSel_SVMRFECBR(X_train_temp(:,1:end-1),Y_train_temp,nStopChunk);
（7）SVM训练：
SVMStruct = svmtrain(data_train,double(2*(inform_train.tag>0)-1),'tolkkt',0.05,'kktviolationlevel',0.02,'kernel_function','rbf'); 这里面参数采用的RBF高斯核进行训练。
（8）分类
species = svmclassify(SVMStruct,[X_new' X_test_temp_phenotypic_tmp]);（9）正确率求解
cal_kkk(kkk,:)=sum(ACC’)/testN/P.TestSize
总结：
<1>采用MATLAB编程实现分类算法，虽然该算法与机器学习的相关算法相比运行速度较慢，但是该算法在分类率上却比深度学习的算法有所提高，尤其对于小数据集而言。
<2>算法流程关于数据处理的部分采用的与深度学习的方法类似。