CN113159328B - 基于自适应图结构约束子空间学习的特征选择方法及设备 - Google Patents
基于自适应图结构约束子空间学习的特征选择方法及设备 Download PDFInfo
- Publication number
- CN113159328B CN113159328B CN202110328121.9A CN202110328121A CN113159328B CN 113159328 B CN113159328 B CN 113159328B CN 202110328121 A CN202110328121 A CN 202110328121A CN 113159328 B CN113159328 B CN 113159328B
- Authority
- CN
- China
- Prior art keywords
- matrix
- subspace
- learning
- graph structure
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 31
- 238000010187 selection method Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 229940050561 matrix product Drugs 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
一种基于自适应图结构约束子空间学习的特征选择方法及设备,特征选择方法包括以下步骤:通过基于矩阵分解的子空间学习,在原高维特征空间中挑选若干个特征形成子空间;通过自适应图结构学习,约束所得到子空间具有和原高维特征空间有相同的结构特征。本发明还提出了一种基于自适应图结构约束子空间学习的特征选择系统、终端设备以及计算机可读存储介质。通过将自适应图结构学习应用于特征选择中,确保了特征选择得到的特征子空间与原特征空间有相似的数据结构。本发明联合优化基于矩阵分解的子空间学习过程和自适应图结构学习过程,提升了处理方法的性能。
Description
技术领域
本发明属于机器学习领域,具体涉及一种基于自适应图结构约束子空间学习的特征选择方法及设备。
背景技术
随着各种传感器技术的发展,现代传感器系统采集数据的能力越来越强。与此同时,也产生了大量的高维数据。这些高维数据通常含有一些冗余数据、不相关数据和噪音数据,而这些数据对后续的学习算法也经常产生不利的影响。目前人们广泛采用特征选择方法来对这些数据进行预处理。特征选择基于选择一个特征子集来逼近所有特征的方式来进行降维。特征选择可以是有监督的、无监督的或半监督的。在实际应用中,通常难以获得有标签的数据,所以在这种情况下,无监督的特征选择显得更加重要。
子空间学习是特征选择常用的方法。子空间学习是学习高维空间低维表示的重要方法。在学习到子空间后,通常计算子空间和原高维空间的距离,根据距离的大小来衡量所学习到的子空间的优劣。一般情况下,距离越短,学习到的子空间性能越好,越能代表原高维空间。目前已有多种算法可以有效的用于子空间学习。例如非负矩阵分解(NonnegativeMatrix Factorization,NMF)、主要成分分析(Principal Component Analysis,PCA)、奇异值分解(Singular Value Decomposition,SVD)和矩阵分解技术。不同的算法对子空间距离的定义也不尽相同。子空间学习融合了所有特征,可以最大程度的保留原来特征空间的全局结构特征,而且采用上述提到的算法均能设计出高效的迭代算法来进行特征选择。然而子空间学习缺乏可解释性,并且忽视了数据的一些局部结构特征。
图结构学习是改善子空间学习的一个重要方法。在子空间学习中嵌入一些结构学习正则化矩阵可以更好的捕捉到原特征空间结构的一些细节特征。目前已有的结构学习正则化矩阵可分为两大类,分别是针对局部结构进行学习的正则化矩阵和针对全局结构进行学习的正则化矩阵。邻域保持正则化算子是当前较为常用的一种局部结构保持算子。这个算子假设所有样本都可以由它的若干个k近邻的线性组合表示。尽管这种算法极大的改善了子空间学习的性能,但这种结构学习算子十分依赖于初始输入的关联矩阵,因此其性能较不稳定。
目前,嵌入结构学习算子的子空间学习均已在特征选择方面获得了较好的性能。然而这些方法通常仅采用一个固定的关联矩阵对结构进行学习。这样处理并不准确,其结果也并不稳定,同时也不利于构建高效的迭代算法。
发明内容
本发明的目的在于针对上述现有技术中无监督的特征选择方法处理不准确以及性能不稳定的问题,提供一种基于自适应图结构约束子空间学习的特征选择方法及设备,保证了在学习原高维特征空间的子空间的同时,使学习到的子空间保持原高维特征空间的结构特征。
为了实现上述目的,本发明有如下的技术方案:
一种基于自适应图结构约束子空间学习的特征选择方法,包括以下步骤:
-通过基于矩阵分解的子空间学习,在原高维特征空间中挑选若干个特征形成子空间;
-通过自适应图结构学习,约束所得到子空间具有和原高维特征空间有相同的结构特征。
作为本发明基于自适应图结构约束子空间学习的特征选择方法的一种优选方案:
对于高维特征矩阵X∈RN×d,其中N为这个特征矩阵所含样本数目,d为特征维数;
按照下式在原高维特征空间中挑选若干个特征形成子空间:
式中,H为非负的系数矩阵,W为特征选择过程中的指示矩阵,γ为项的惩罚系数;通过局部数据结构保持算子提高子空间与原高维特征空间的结构相似度。
作为本发明基于自适应图结构约束子空间学习的特征选择方法的一种优选方案:
通过局部数据结构保持算子提高子空间与原高维特征空间的结构相似度的方式如下:
在高维特征矩阵中采用欧式距离测量每两个样本之间的距离,并根据距离来设定两个样本彼此邻接的概率;的距离越小,概率就越大;求解表达式如下:
式中,S为相似矩阵,增加项用于防止出现平凡解。
作为本发明基于自适应图结构约束子空间学习的特征选择方法的一种优选方案:
将所述求解表达式转化为矩阵乘积的形式如下:
式中,L为拉普拉斯矩阵,L=D-S,D为对角线矩阵,其对角线元素为S的对角线元素。
作为本发明基于自适应图结构约束子空间学习的特征选择方法的一种优选方案:
对求解表达式施加秩约束,高维特征矩阵中如果含有c个类别的样本,则相似矩阵有c个连通分量,拉普拉斯矩阵L的特征值重数也为c,得到拉普拉斯矩阵的秩即为高维特征矩阵中样本的类别数,即高维特征矩阵中样本数目为c时,拉普拉斯矩阵的秩等于n-c。
作为本发明基于自适应图结构约束子空间学习的特征选择方法的一种优选方案:
所述局部数据结构保持算子的表达式如下:
s.t.0≤Sij≤1,Si T1=1,Rank(L)=n-c,L=D-S
将矩阵分解的子空间学习与局部数据结构保持算子联合建立总体的目标函数如下:
s.t.W≥0,H≥0,0≤Sij≤1,ST1=1,Rank(L)=n-c,L=D-S
上式中的α是平衡两项的参数;
根据Ky定理,得出:
s.t.W≥0,H≥0,0≤Sij≤1,ST1=1,GTG=I。
作为本发明基于自适应图结构约束子空间学习的特征选择方法的一种优选方案:
采用迭代优化的方式对提出的目标函数进行优化,对于提出的损失函数,对每个变量求出局部最优解,然后进行迭代优化,完成无监督特征选择。
本发明还提出一种基于自适应图结构约束子空间学习的特征选择系统,包括:
子空间学习模块,用于通过基于矩阵分解的子空间学习,在原高维特征空间中挑选若干个特征形成子空间;
自适应图结构学习模块,用于通过自适应图结构学习,约束所得到子空间具有和原高维特征空间有相同的结构特征。
本发明还提出一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述的处理器执行所述的计算机程序时实现所述基于自适应图结构约束子空间学习的特征选择方法的步骤。
本发明还提出一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述的计算机程序被处理器执行时实现所述基于自适应图结构约束子空间学习的特征选择方法的步骤。
相较于现有技术,本发明至少具有如下有益效果:
本发明首先在原高维特征空间中通过矩阵分解学习到一个低维子空间,同时学习这个低维子空间的结构的相似图,从而保证在这个子空间上,各个类别的数据能够清楚地划分。本发明通过将自适应图结构学习应用于特征选择中,确保了特征选择得到的特征子空间与原特征空间有相似的数据结构。同时,自适应图结构中的相似矩阵具有初始闭式解,可以根据特征矩阵求得,不依赖于外界输入,在迭代过程中还可以根据局部最优解迭代更新,提高了算法的稳定性。本发明联合优化基于矩阵分解的子空间学习过程和自适应图结构学习过程,避免了单独处理两个学习过程中会出现的次优化问题,提升了处理方法的性能。
具体实施方式
下面结合实施例对本发明做进一步的详细说明。
本发明基于自适应图结构约束子空间学习的特征选择方法,包括以下步骤:
给定一个高维特征矩阵X∈RN×d,其中N为这个特征矩阵所含样本数目,d为特征维数。假设最终要将特征维数降为k,则特征选择的任务便是从d维特征中选出最重要的k维特征。
从子空间学习的角度,采用矩阵分解技术可以将特征选择问题公式化为如下优化问题:
其中H为系数矩阵,考虑到实际应用中所用到的特征矩阵多为非负值,所以约束H矩阵为非负矩阵。W为指示矩阵,用来指示选择的特征。γ为项的惩罚系数。
使用局部数据结构保持算子来提高子空间与原高维数据空间的结构相似度。在原高维特征矩阵中,有若干个样本,采用欧式距离测量每两个样本之间的距离,并根据距离来设定两个样本彼此邻接的概率。其中,的距离越小,概率就越大。
上述问题可公式化为如下优化问题:
其中,S为相似矩阵,增加项,是为了防止出现平凡解,同时将原公式转化为矩阵乘积的形式,于是便有了问题(3):
其中,L=D-S被称为拉普拉斯矩阵,D为对角线矩阵,其对角线元素为S的对角线元素。
原高维特征矩阵中如果含有c个类别的样本,那么相似矩阵应该有c个连通分量,因此可以推断出拉普拉斯矩阵L的特征值重数应也为c。所以可以得到拉普拉斯矩阵的秩即为原高维特征矩阵中样本的类别数。即原高维特征矩阵中样本数目为c时,拉普拉斯矩阵的秩应等于n-c。因此,本发明对原始的目标函数施加秩约束。
所以本发明的局部结构保持算子可以写为:
s.t.0≤Sij≤1,Si T1=1,Rank(L)=n-c,L=D-S (4)
本发明将矩阵分解子空间学习问题和局部结构保持算子联合建立了总体目标函数:
s.t.W≥0,H≥0,0≤Sij≤1,ST1=1,Rank(L)=n-c,L=D-S (5)
上式中α是平衡两项的参数,为了满足秩约束rank(L)=n-c,拉普拉斯矩阵应该有c个零特征值并且最小的c个特征值之和应该等于0.另外,根据Ky定理,可以得出:
s.t.W≥0,H≥0,0≤Sij≤1,Si T1=1,GTG=I (6)
采用迭代优化的方式对提出的目标函数进行优化,对于提出的损失函数,对每个变量求出局部最优解,进而进行迭代优化,同时设计迭代算法可高效完成无监督特征选择问题。
实施例
步骤一:加载数据集,得到原高维特征矩阵X,并得到所有样本的类别向量Y。设置参数α,γ通常设为108。设置邻域数量m。
步骤二:随机初始化指示矩阵W和系数矩阵H。
步骤三:利用X,通过相似矩阵S的闭式解初始化S。
步骤三:根据L=D-S初始化拉普拉斯矩阵L。
步骤四:采用CAN算法对S,L进行迭代更新,直到S,L收敛。
步骤五:根据拉普拉斯矩阵L,采用拉格朗日算子对W,H进行优化。
步骤六:重复步骤三至步骤五,直到S,L,W,H收敛。
步骤七:将W表示为(w1,w2,…,wd)T,计算并对其由大到小进行排序,选取出前k个对应的索引值构成索引向量A。
步骤八:根据索引向量A对原特征向量进行选择,最终构成一个低维特征矩阵。
步骤九:采用k均值算法对得到的特征矩阵进行聚类,并根据聚类结果计算聚类正确率(ACC)和归一化互信息(NMI)。
表1和表2是本发明基于自适应图结构约束的子空间特征选择方法在公开数据集上的实验结果。表1是聚类准确率(ACC)对比实验结果,表2是聚类互信息(NMI)对比实验结果。
表1
表2
在表1和表2中,最后一行是本发明对数据集进行特征选择后进行聚类后的结果,第一行是算法LS的结果,第二行是UDFS的结果,第三行是MFFS的结果,第四行是GLoSS的结果。在这两个表中,对于每个数据集来说,最好的结果用粗体显示,次好的结果用带有下划线的形式表示。在4个公开的数据集上对算法进行测试,并与其他几种优秀的特征选择算法进行比较,结果能够验证基于自适应图结构约束子空间学习的特征选择方法的有效性。
本发明还提出一种基于自适应图结构约束子空间学习的特征选择系统,包括:
子空间学习模块,用于通过基于矩阵分解的子空间学习,在原高维特征空间中挑选若干个特征形成子空间;
自适应图结构学习模块,用于通过自适应图结构学习,约束所得到子空间具有和原高维特征空间有相同的结构特征。
本发明还提出一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述的处理器执行所述的计算机程序时实现所述基于自适应图结构约束子空间学习的特征选择方法的步骤。
本发明还提出一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述的计算机程序被处理器执行时实现所述基于自适应图结构约束子空间学习的特征选择方法的步骤。
所述的计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明基于自适应图结构约束子空间学习的特征选择方法。
所述终端可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备,也可以是处理器、存储器。处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。存储器可用于存储计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现基于自适应图结构约束子空间学习的特征选择系统的各种功能。
以上所述的仅仅是本发明的较佳实施例,并不用以对本发明的技术方案进行任何限制,本领域技术人员应当理解的是,在不脱离本发明精神和原则的前提下,该技术方案还可以进行若干简单的修改和替换,这些修改和替换也均属于权利要求书所涵盖的保护范围之内。
Claims (4)
1.一种基于自适应图结构约束子空间学习的特征选择方法,其特征在于,包括以下步骤:
-通过基于矩阵分解的子空间学习,在原高维特征空间中挑选若干个特征形成子空间;
-通过自适应图结构学习,约束所得到子空间具有和原高维特征空间有相同的结构特征;
对于高维特征矩阵X∈RN×d,其中N为这个特征矩阵所含样本数目,d为特征维数;
按照下式在原高维特征空间中挑选若干个特征形成子空间:
式中,H为非负的系数矩阵,W为特征选择过程中的指示矩阵,γ为项的惩罚系数;通过局部数据结构保持算子提高子空间与原高维特征空间的结构相似度;
通过局部数据结构保持算子提高子空间与原高维特征空间的结构相似度的方式如下:
在高维特征矩阵中采用欧式距离测量每两个样本之间的距离,并根据距离来设定两个样本彼此邻接的概率;的距离越小,概率就越大;求解表达式如下:
式中,S为相似矩阵,增加项用于防止出现平凡解;
将所述求解表达式转化为矩阵乘积的形式如下:
式中,L为拉普拉斯矩阵,L=D-S,D为对角线矩阵,其对角线元素为S的对角线元素;
对求解表达式施加秩约束,高维特征矩阵中如果含有c个类别的样本,则相似矩阵有c个连通分量,拉普拉斯矩阵L的特征值重数也为c,得到拉普拉斯矩阵的秩即为高维特征矩阵中样本的类别数,即高维特征矩阵中样本数目为c时,拉普拉斯矩阵的秩等于n-c;
所述局部数据结构保持算子的表达式如下:
s.t.0≤Sij≤1,Si T1=1,Rank(L)=n-c,L=D-S
将矩阵分解的子空间学习与局部数据结构保持算子联合建立总体的目标函数如下:
s.t.W≥0,H≥0,0≤Sij≤1,ST1=1,Rank(L)=n-c,L=D-S
上式中的α是平衡两项的参数;
根据Ky定理,得出:
s.t.W≥0,H≥0,0≤Sij≤1,ST1=1,GTG=I
采用迭代优化的方式对提出的目标函数进行优化,对于提出的损失函数,对每个变量求出局部最优解,然后进行迭代优化,完成无监督特征选择,进而完成二维图像数据聚类的任务。
2.一种基于自适应图结构约束子空间学习的特征选择系统,其特征在于,用于实现如权利要求1所述基于自适应图结构约束子空间学习的特征选择方法,包括:
子空间学习模块,用于通过基于矩阵分解的子空间学习,在原高维特征空间中挑选若干个特征形成子空间;
自适应图结构学习模块,用于通过自适应图结构学习,约束所得到子空间具有和原高维特征空间有相同的结构特征。
3.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于:所述的处理器执行所述的计算机程序时实现如权利要求1所述基于自适应图结构约束子空间学习的特征选择方法的步骤。
4.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述的计算机程序被处理器执行时实现如权利要求1所述基于自适应图结构约束子空间学习的特征选择方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110328121.9A CN113159328B (zh) | 2021-03-26 | 2021-03-26 | 基于自适应图结构约束子空间学习的特征选择方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110328121.9A CN113159328B (zh) | 2021-03-26 | 2021-03-26 | 基于自适应图结构约束子空间学习的特征选择方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113159328A CN113159328A (zh) | 2021-07-23 |
CN113159328B true CN113159328B (zh) | 2024-05-24 |
Family
ID=76885622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110328121.9A Active CN113159328B (zh) | 2021-03-26 | 2021-03-26 | 基于自适应图结构约束子空间学习的特征选择方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159328B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229295A (zh) * | 2017-09-22 | 2018-06-29 | 江西师范大学 | 一种基于多重局部约束的图优化维数约简方法 |
CN109815440A (zh) * | 2019-01-16 | 2019-05-28 | 江西师范大学 | 联合图优化和投影学习的维数约简方法 |
CN111027636A (zh) * | 2019-12-18 | 2020-04-17 | 山东师范大学 | 基于多标签学习的无监督特征选择方法及系统 |
CN112036498A (zh) * | 2020-09-03 | 2020-12-04 | 西北农林科技大学 | 基于凸非负矩阵分解及自适应图的特征选择方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9471847B2 (en) * | 2013-10-29 | 2016-10-18 | Nec Corporation | Efficient distance metric learning for fine-grained visual categorization |
US20170213153A1 (en) * | 2016-01-22 | 2017-07-27 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for embedded unsupervised feature selection |
-
2021
- 2021-03-26 CN CN202110328121.9A patent/CN113159328B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229295A (zh) * | 2017-09-22 | 2018-06-29 | 江西师范大学 | 一种基于多重局部约束的图优化维数约简方法 |
CN109815440A (zh) * | 2019-01-16 | 2019-05-28 | 江西师范大学 | 联合图优化和投影学习的维数约简方法 |
CN111027636A (zh) * | 2019-12-18 | 2020-04-17 | 山东师范大学 | 基于多标签学习的无监督特征选择方法及系统 |
CN112036498A (zh) * | 2020-09-03 | 2020-12-04 | 西北农林科技大学 | 基于凸非负矩阵分解及自适应图的特征选择方法和装置 |
Non-Patent Citations (1)
Title |
---|
基于自适应邻域嵌入的无监督特征选择算法;刘艳芳;李文斌;高阳;;计算机研究与发展;20200806(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113159328A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Spectral embedded adaptive neighbors clustering | |
US10885379B2 (en) | Multi-view image clustering techniques using binary compression | |
Zhang et al. | Nonnegative Laplacian embedding guided subspace learning for unsupervised feature selection | |
JP5349407B2 (ja) | 平均値シフト手順を使用してサンプルをクラスタリングするプログラム | |
Yang et al. | New l 2, 1-norm relaxation of multi-way graph cut for clustering | |
US8412757B2 (en) | Non-negative matrix factorization as a feature selection tool for maximum margin classifiers | |
Chen et al. | LABIN: Balanced min cut for large-scale data | |
CN111062428A (zh) | 一种高光谱图像的聚类方法、系统及设备 | |
CN111476100A (zh) | 基于主成分分析的数据处理方法、装置及存储介质 | |
CN113705674B (zh) | 一种非负矩阵分解聚类方法、装置及可读存储介质 | |
Zhan et al. | Improved spectral clustering based on Nyström method | |
CN113705635A (zh) | 基于自适应图的半监督宽度学习分类方法及设备 | |
US20150078655A1 (en) | Devices, systems, and methods for large-scale linear discriminant analysis of images | |
CN113705633A (zh) | 基于自适应图的半监督核宽度分类学习方法及设备 | |
CN109614581B (zh) | 基于对偶局部学习的非负矩阵分解聚类方法 | |
CN113159328B (zh) | 基于自适应图结构约束子空间学习的特征选择方法及设备 | |
Han et al. | Structured graph reconstruction for scalable clustering | |
CN115601571A (zh) | 一种面向多模态数据的多图约束典型相关分析方法及系统 | |
Li et al. | Parameter-free extreme learning machine for imbalanced classification | |
CN111814853B (zh) | 一种数据选择偏差下的去相关聚类方法及装置 | |
CN112800138B (zh) | 大数据分类方法及系统 | |
CN112926658A (zh) | 基于二维数据嵌入与邻接拓扑图的图像聚类方法及设备 | |
Chen et al. | FINC: An efficient and effective optimization method for normalized cut | |
CN113569973B (zh) | 多视图聚类方法、装置、电子设备及计算机可读存储介质 | |
CN113505838B (zh) | 一种图像聚类方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |