目前已经有大量的特征提取方法，如何选择其中最具代表性的信息是一件非常头疼的事情。Allen Y. Yang等人从利用稀疏化表示方法介绍了一种新的特征选择的方法。这种特征选择策略不需要任何花哨的空间变换方法或者复杂的分类器设计。只需要将测试对象映射到训练样本点空间组成的冗余原子库空间中，查看得到的稀疏化表示的能量集中在哪类样本组成的冗余原子库中，由此推断测试样本所属的类别。

有几个问题值得考虑：

1 什么样的稀疏表示适合于这种识别方法，L¹，L²   或者  L^p ？

2 需要多少样本来完成这样的识别任务，即原子库规模的问题；感觉上，样本比较多的时候识别效果可能会比较好，但是否存在极限情况，即样本越多越好？