基于稀疏图表示的特征选择方法研究*

通信地址：361024 福建省厦门市集美区厦门理工学院计算机与信息工程学院Address:College of Computer and Information Engineering,Xiamen University of Technology,Xiamen 361024,Fujian,P.R.China

王晓栋,严菲,谢勇,江慧琴

(厦门理工学院计算机与信息工程学院,福建 厦门 361024)

摘要：特征选择旨在降低待处理数据的维度，剔除冗余特征，是机器学习领域的关键问题之一。现有的半监督特征选择方法一般借助图模型提取数据集的聚类结构，但其所提取的聚类结构缺乏清晰的边界，影响了特征选择的效果。为此，提出一种基于稀疏图表示的半监督特征选择方法，构建了聚类结构和特征选择的联合学习模型，采用l1范数约束图模型以得到清晰的聚类结构，并引入l2，1范数以避免噪声的干扰并提高特征选择的准确度。为了验证本方法的有效性，选择了目前流行的几种特征方法进行对比分析，实验结果表明了本方法的有效性。

关键词：特征选择；半监督学习； l2，1范数；l1范数

1引言

进入21世纪以来，社交网络、数字多媒体的爆发式发展，给人们的日常生活带来了便利的同时也提供了前所未有的机遇。然而，随之而产生的大量高维、复杂的数据，也给现有的多媒体应用系统带来了挑战，如图像内容检索、图像理解等[1,2]。处理这些高维的数据不但需要消耗大量的计算时间和存储空间，而且高维数据间往往存在较多的冗余特征，如果这些特征得不到处理，将影响到多媒体应用系统的鲁棒性和准确性，因此有必要对这些高维数据进行降维处理。……