Non-negativity is a critical and explainable property in linear representation-based methods leading to promising performances in the pattern classification field. Based on the non-negativity, a powerful linear representation-based classifier was proposed, namely non-negative representation-based classifier (NRC). With the non-negativity constraint, the NRC enhances the power of the homogeneous samples in the linear representation, while suppressing the representation of the heterogeneous samples, since the homogeneous samples tend to have a positive correlation with the test sample. However, the NRC performs the non-negative representation on the original feature space instead of the high-dimensional non-linear feature space, where it is usually considered when the data samples are not separable with each other. This leads to the poor performance of NRC, especially on high-dimensional data like images. In this paper, we proposed a Kernel Non-negative Representation-based Classifier (KNRC) for addressing this problem to achieve better results in pattern classification. Furthermore, we extended the KNRC to a dimensionality reduction version to reduce the dimensions of the KNRC’s feature space as well as improve its classification ability. We provide extensive numerical experiments including analysis and comparisons on 12 datasets (8 UCI datasets and 4 image datasets) to validate the state-of-the-art performance obtained by the proposed method.

在基于线性表示的方法中，非负性是一个关键且可解释的属性，从而在模式分类领域取得了有希望的表现。基于非负性，提出了一种强大的基于线性表示的分类器，即基于非负表示的分类器（NRC）。在非负约束下，NRC 增强了同质样本在线性表示中的功效，同时抑制了异质样本的表示，因为同质样本往往与测试样本具有正相关。然而，NRC 在原始特征空间而不是高维非线性特征空间上执行非负表示，通常在数据样本彼此不可分离时考虑。这导致 NRC 的性能不佳，尤其是在图像等高维数据上。在本文中，我们提出了一种基于内核非负表示的分类器（KNRC）来解决这个问题，以在模式分类中取得更好的结果。此外，我们将 KNRC 扩展为降维版本，以减少 KNRC 特征空间的维度并提高其分类能力。我们提供了广泛的数值实验，包括对 12 个数据集（8 个 UCI 数据集和 4 个图像数据集）的分析和比较，以验证所提出的方法获得的最新性能。我们提出了一种基于内核非负表示的分类器（KNRC）来解决这个问题，以在模式分类中取得更好的结果。此外，我们将 KNRC 扩展为降维版本，以减少 KNRC 特征空间的维度并提高其分类能力。我们提供了广泛的数值实验，包括对 12 个数据集（8 个 UCI 数据集和 4 个图像数据集）的分析和比较，以验证所提出的方法获得的最新性能。我们提出了一种基于内核非负表示的分类器（KNRC）来解决这个问题，以在模式分类中取得更好的结果。此外，我们将 KNRC 扩展为降维版本，以减少 KNRC 特征空间的维度并提高其分类能力。我们提供了广泛的数值实验，包括对 12 个数据集（8 个 UCI 数据集和 4 个图像数据集）的分析和比较，以验证所提出的方法获得的最新性能。