[发明专利]一种基于低秩约束图谱学习的无监督特征选择算法在审
| 申请号： | 201811117503.1 | 申请日： | 2018-09-20 |
| 公开（公告）号： | CN109447116A | 公开（公告）日： | 2019-03-08 |
| 发明（设计）人： | 陆广泉;杨伟伟;罗志平;印鉴;高静 | 申请（专利权）人： | 中山大学;广东恒电信息科技股份有限公司 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62 |
| 代理公司： | 广州粤高专利商标代理有限公司 44102 | 代理人： | 刘俊 |
| 地址： | 510275 广东*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提出了一种基于低秩约束图谱学习的无监督特征选择算法，该算法在权重矩阵中使用低秩约束并能同时减少冗余特征对性能的影响，针对大部分特征选择方法的不足，本发明通过建立新的优化目标函数来完成特征选择，分析了超参数对算法的影响和低轶约束的必要性。同时分析了算法的收敛性和复杂度。另外，运用所选择出的特征在6个基准数据集进行比较分析，实验结果表明，本发明的算法在分类任务的准确率方面优于现有的的五种算法。 | ||
| 搜索关键词： | 算法 低秩 特征选择算法 特征选择 无监督 图谱 优化目标函数 比较分析 基准数据 权重矩阵 冗余特征 复杂度 收敛性 准确率 分析 学习 分类 | ||
【主权项】：
1.一种基于低秩约束图谱学习的无监督特征选择算法，其特征在于，包括以下步骤：S1：数据输入和标签输入，参数的初始化；S2：对矩阵A、B、S进行迭代求解；S3：使用所求解的矩阵A、B、S模型得到所选择的数据特征，通过SVM分类器进行试验比较分析。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中山大学;广东恒电信息科技股份有限公司，未经中山大学;广东恒电信息科技股份有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201811117503.1/，转载请声明来源钻瓜专利网。
