低秩约束的非线性属性选择算法

作     者：张乐园 李佳烨 李鹏清 ZHANG Leyuan;LI Jiaye;LI Pengqing

作者机构：广西师范大学计算机科学与信息工程学院广西桂林541004 

出 版 物：《计算机应用》 (journal of Computer Applications)

年 卷 期：2018年第38卷第12期

页      面：3444-3449页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家重点研发计划项目(2016YFB1000905) 国家自然科学基金资助项目(61170131 61263035 61573270 90718020) 国家973计划项目(2013CB329404) 中国博士后科学基金资助项目(2015M570837) 广西自然科学基金资助项目(2015GXNSFCB139011 2015GXNSFAA139306)~~ 

主　　题：属性选择 核函数 子空间学习 低秩表示 稀疏处理 

摘      要：针对高维的数据中往往存在非线性、低秩形式和属性冗余等问题,提出一种基于核函数的属性自表达无监督属性选择算法——低秩约束的非线性属性选择算法(LRNFS)。首先,将每一维的属性映射到高维的核空间上,通过核空间上的线性属性选择去实现低维空间上的非线性属性选择;然后,对自表达形式引入偏差项并对系数矩阵进行低秩与稀疏处理;最后,引入核矩阵的系数向量的稀疏正则化因子来实现属性选择。所提算法中用核矩阵来体现其非线性关系,低秩考虑数据的全局信息进行子空间学习,自表达形式确定属性的重要程度。实验结果表明,相比于基于重新调整的线性平方回归(RLSR)半监督特征选择算法,所提算法进行属性选择之后作分类的准确率提升了2. 34%。所提算法解决了数据在低维特征空间上线性不可分的问题,提升了属性选择的准确率。