[发明专利]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

说明书

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。

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∈R^N×d，其中N为这个特征矩阵所含样本数目，d为特征维数；