殷海双,胡泽彪，刘远红,李伊文

(东北石油大学电气信息工程学院,黑龙江 大庆 163318)

0 引言

随着传感器的发展，现实中要处理的信息数据往往具有较高的维度，这导致了学习算法的两个问题：①增加了学习算法的计算负担；②过高的维数降低了学习算法的性能[1]。为了解决这两个问题，在处理这些信息时预先采用维数约简的方法，用以提高学习算法的效率和性能。特征选择是一种有效的维数约简方法，它是通过从原始输入中选择一个子集来降低数据的维数。根据选择策略的不同，特征选择方法可分为三组：基于滤波器的特征选择、基于包装器的特征选择和基于嵌入式的特征选择[2]。基于滤波器的特征选择算法通过使用与学习算法无关的预定义准则来评估特征的重要性；基于包装器的特征选择方法通过结合学习算法来度量特征的意义，通常它还需要预定义一个分类器；基于嵌入式的特征选择方法将特征评估准则结合到学习算法中对特征进行排序[3]。基于包装器和基于嵌入式的特征选择方法存在巨大的计算负担，这阻碍了它们在实际工程中的应用[4-5]。因此，基于滤波器的特征选择方法越来越受到专家学者们的青睐。

近年来，一些研究表明数据的局部结构有利于无监督特征选择方法从原始数据中选择最优的特征子集。其中,Liu M等[6]提出了一种基于滤波器的图形保持特征选择框架，它根据预定义的算法保持图形结构的能力来对特征排序。……