[发明专利]基于稀疏分数的特征选择方法

权利要求书

1.一种基于稀疏分数的特征选择方法，其特征在于，包括以下步骤：

第一步，提取待处理的数据集{x_i}_i＝1ⁿ，数据集中共有n个数据，每个数据包括m维特征；

第二步，采用L1范数最小化的方法，得到待处理的数据集{x_i}_i＝1ⁿ中每个数据的稀疏表示的重构系数；

第三步，对待处理数据集中每个数据的每维特征与相应数据的稀疏表示的重构系数进行重构误差累加处理，得到待处理数据集中每维特征的稀疏分数；

第四步，将待处理数据集中每维特征按照其稀疏分数从小到大的顺序进行排列，稀疏分数最小的特征即是该待处理数据集中最重要的特征。

2.根据权利要求1所述的基于稀疏分数的特征选择方法，其特征是，第二步中所述的L1范数最小化的方法是：

minsi||si||1,]]>

s.t.x_i＝Xs_i

其中：X是待处理的数据集，X＝[x₁，x₂，…，x_n]∈R^m×n，s_i＝[s_i1…，s_ii-1，0，s_ii+1，…，s_in]^T，s_i是待处理数据集{x_i}_i＝1ⁿ中x_i稀疏表示的重构系数，s.t.代表约束符号。

3.根据权利要求1所述的基于稀疏分数的特征选择方法，其特征是，第三步中所述的重构误差累加处理是：

S(r)=Σi=1n(xir-(Xsi)r)2Var(X(r,:)),]]>

其中：Var(X(r,:))=1n-1Σi=1n(xir-mr)]]>

S(r)是待处理数据集中第r维特征的稀疏分数，x_ir是待处理数据集中第i个数据的第r维特征数据，X是待处理的数据集，X＝[x₁，x₂，…，x_n]∈R^m×n，m_r是第r维特征数据的均值。