1.一种实现空间信号平移与缩放不变性的编码方法，其特征在于，该编码方法对于数字相同但位置不同的图像，获得相同的目标特征编码，以提高图像识别正确率；

对MNIST数据集中的每张图片进行空白填充，将原图像28×28扩展为56×56的二维矩阵，保证原图像中目标的大小与形状均保持不变，但其在图像中的位置随机改变；

编码方法包括如下步骤：

步骤1)对输入信号的目标M执行随机采样与重编码计算，得到目标的中间表示C；

其中输入信号的目标M为输入图像中描述目标所有元素的坐标信息集合M；

具体步骤如下：

步骤1.1)信号以矩阵S的方式表示，其中矩阵S包含目标M；

步骤1.2)目标M包括m个元素，也就是M＝[(x1,y1),(x2,y2),…(xm,ym)]，(xi,yi)表示元素在信号矩阵S中的坐标；

步骤1.3)比较采样数t与元素个数m的大小；如果m大于t则直接执行步骤1.4)；否则，需先对M在信号矩阵中执行膨胀操作，使得信号矩阵元素总数等于t，即在不改变目标信号M的基础上，扩充其在信号矩阵上元素数量；

步骤1.4)对目标M的元素随机采样t次，其中每一个元素(xi,yi)被采样到的概率相等，均为1/m；采样的元素Ii按照采样的先后顺序置于集合P中，P＝[I1,I2,…,It]；

步骤1.5)对集合P中的元素进行重编码：

步骤1.5.1)根据P中的横坐标xi对集合中的所有元素进行递增或递减排序，得到递增排序后的新坐标集合：其中，si是对集合P中横坐标xi进行重新排序的下标，分别提取PX中的所有横坐标 和纵坐标 进而得到两个一维列向量步骤1.5.2)根据对P中纵坐标yi对集合中的所有元素进行递增或递减排序，得到递增排序后的新坐标信息集合：其中，oi是对集合P中纵坐标yi进行重新排序的下标，再分别提取PY中的所有横坐标和纵坐标 进而得到两个一维列向量步骤1.6)对1.5.1)和1.5.2)中的4个向量 与 进行归一化处理；采用(0,1)标准归一化的方式，对于任意坐标集合E，其元素归一化的结果如公式1所示：其中xnew表示归一化后的坐标结果，其中xi表示原始坐标，MinE表示坐标集合中最小的元素，MaxE表示坐标集合中最大的元素；

归一化处理后将横坐标集合X与纵坐标集合Y进行连接分别得到 与步骤1.7)将CodeX与CodeY共同作为目标信号M的中间表示向量C为：其中q1,q2,…,q4t表示CodeX与CodeY中的元素；

步骤2)对目标的中间表示C利用单层神经网络进行稀疏编码，最终得到目标的特征表示O；

具体步骤如下：

步骤2.1)将目标的中间表示向量C作为输入，将它记为包含4t个神经元的一维列向量:T

I＝[q1,q2,…,q4t]；

步骤2.2)确定输入层I与编码层Y神经元之间的连接矩阵W，输入层的神经元与编码层的神经元以概率p＝0.1相连，即它们之间的连接有90％的概率取值为0，而非0值则按照标准高斯分布随机赋值；

步骤2.3)编码层神经元的活性按Y计算；其中，编码层神经元是否发放将根据Y＝WI计算出的活性值来决定，设定阈值ε，如果Y中某个神经元活性值大于ε的神经元将被激活，而小于ε的神经元将处于静息状态，激活状态的神经元其输出取值为1，而静息状态神经元其输出取值为0，取定0或1的向量作为目标的特征表示O。