[发明专利]一种基于隐空间学习和流行约束的无监督特征选择方法

权利要求书

1.一种基于隐空间学习和流行约束的无监督特征选择方法，其特征在于，包括：

S1.输入原始数据矩阵，得到特征选择模型；

S2.将隐空间学习嵌入至特征选择模型，得到具有隐空间学习的特征选择模型；

S3.将图拉普拉斯正则化项加入具有隐空间学习的特征选择模型中，得到目标函数；

S4.采用交替迭代优化策略求解目标函数；

S5.对原始矩阵中的每个特征进行排序，并选择排名前k的特征，得到最优特征子集。

2.根据权利要求1所述的一种基于隐空间学习和流行约束的无监督特征选择方法，其特征在于，所述步骤S2得到具有隐空间学习的特征选择模型，表示为：

s.t.V≥0

其中，V∈R^n×c表示n个数据的隐空间矩阵，c表示潜在因素的个数；X∈R^n×d表示原始数据矩阵，d表示数据特征维度；W∈R^d×c表示转换系数矩阵，A表示邻接矩阵；V^T表示V的转置矩阵；F表示Frobenius范数；α和β表示平衡隐空间学习和潜在空间特征选择的参数。

3.根据权利要求2所述的一种基于隐空间学习和流行约束的无监督特征选择方法，其特征在于，所述步骤S2具体为：

S21.通过对称的非负矩阵分解模型将邻接矩阵A分解为一个隐空间矩阵V和隐空间矩阵V的转置矩阵V^T；其中V与V^T在低维潜在空间中的乘积，表示为：

S22.将隐空间矩阵V中的数据进行特征矩阵变换，并通过多元线性回归模型对变换过的数据进行建模，表示为：

其中，W∈R^d×c表示转换系数矩阵；

S23.在转换系数矩阵W上添加l_2,1范数正则化项，表示为：

S24.将隐空间学习嵌入至特征选择模型，得到具有隐空间学习的特征选择模型。

4.根据权利要求2所述的一种基于隐空间学习和流行约束的无监督特征选择方法，其特征在于，所述步骤S3中得到目标函数，表示为：

s.t.V≥0

其中，γ表示平衡局部流行几何结构正则化系数；L表示拉普拉斯矩阵，L＝D-S；D表示对角矩阵，S表示测量数据实例对之间相似度的相似矩阵，表示为：

其中，N_k(x_i)表示x_i最近邻居的集合；σ表示宽度参数；x_i∈R^d表示原始数据矩阵X∈R^n×d样本中的每一行；x_j表示原始数据矩阵X∈R^n×d样本中的每一列。

5.根据权利要求3所述的一种基于隐空间学习和流行约束的无监督特征选择方法，其特征在于，所述步骤S4具体为：

S41.初始化隐空间矩阵V，V＝rand(n,c)，其中，rand()表示随机函数，迭代次数t＝0，t₁＝0，

S42.固定隐空间矩阵V，并更新转换系数矩阵W，表示为：

其中，Λ∈R^n×n表示对角矩阵；

S43.将迭代次数设置为t₁＝t₁+1；

S44.固定转换系数矩阵W，并更新隐空间矩阵V，表示为：

其中，←表示分配；V_ij表示矩阵V中的第i行第j列元素；

S45.将迭代次数设置为t＝t+1；

S46.重复执行步骤S42-S45，直至目标函数收敛。