معاونت پژوهش و فناوری، دانشگاه تبریز پردازش سیگنال پیشرفته 2676-3397 7 1 2026 07 23 Label-Consistent Dictionary Learning via Generalized Adaptive Weighted Recursive Least Squares Algorithm الگوریتم تعمیم یافته یادگیری دیکشنری حداقل مربعات بازگشتی با وزن وفقی و سازگار با برچسب 67 78 20306 10.22034/jasp.2025.65206.1265 FA محدثه یوسفی گروه برق - دانشکده فنی - دانشگاه گیلان - رشت - ایران یاشار نادراحمدیان دانشگاه گیلان Journal Article 2025 01 03 The generalized adaptive weighted recursive least squares (GAW-RLS) algorithm has demonstrated exceptional performance in data representation within unsupervised dictionary learning methods. This paper extends the GAW-RLS algorithm to supervised settings for dictionary updating. In the proposed method, the cost function incorporates a novel condition termed discriminant sparse representation error, which is added to the representation error and classification error. The dictionary, discriminant sparse representation parameter, and classifier parameter are jointly trained to enhance image classification performance. This approach introduces the Label-Consistent Generalized Adaptive Weighted Recursive Least Squares (LC-GAWRLS) algorithm, which leverages an additional correction weight to regulate the influence of new training data during the dictionary updating process. This enhancement improves robustness against variations in training data compared to existing dictionary learning methods. Simulation results confirm that the LC-GAWRLS algorithm achieves superior classification accuracy, particularly in scenarios with limited training data, demonstrating its potential for effective supervised learning in challenging conditions. در میان روش‌های یادگیری دیکشنری بدون نظارت، الگوریتم تعمیم یافته حداقل مربعات بازگشتی با وزن وفقی (GAW RLS) عملکرد قابل توجهی را در نمایش داده‌ها نشان داده است. در این مقاله از این الگوریتم برای به روزرسانی دیکشنری به‌صورت نظارت‌شده استفاده می‌شود. در تابع هزینه روش پیشنهادی، شرط جدیدی به‌عنوان خطای نمایش تُنُک متمایزکننده به خطای نمایش و خطای طبقه‌بندی اضافه شده و دیکشنری، پارامتر نمایش تُنُک متمایزکننده و پارامتر طبقه‌بندی‌کننده به‌طور هم‌زمان برای کاربرد طبقه‌بندی تصویر آموزش داده می‌شوند. روش جدید به‌عنوان الگوریتم تعمیم یافته حداقل مربعات بازگشتی با وزن وفقی و سازگار با برچسب (LC GAWRLS) معرفی می‌شود. روش پیشنهادی از یک وزن تصحیح اضافی برای کنترل تاثیر داده‌های آموزشی جدید در فرآیند به‌روزرسانی دیکشنری استفاده می‌کند و در مقایسه با روش‌های یادگیری دیکشنری قبلی، مقاومت مدل را در برابر تغییرات داده‌های آموزشی افزایش می‌دهد. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی به‌ویژه در شرایطی که تعداد داده‌های آموزشی محدود است، دقت طبقه‌بندی بالاتری را ارائه می‌دهد. https://jasp.tabrizu.ac.ir/article_20306_645fd2ba2243550bd683bbf1f74c55e6.pdf