[發明專利]基于多標簽學習的無監督特征選擇方法及系統

有效

• 申請號: 201911312573.7
• 申請日: 2019-12-18
• 公開（公告）號: CN111027636B
• 公開（公告）日: 2020-09-29
• 發明（設計）人: 朱磊;石丹
• 申請（專利權）人: 山東師范大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 李琳

1.基于多標簽學習的無監督特征選擇方法，其特征在于，包括：

對獲取的每個數據樣本進行特征提取，得到特征數據集，根據特征數據集構造基于多標簽學習的無監督特征選擇目標函數，學習二值多標簽矩陣和特征選擇矩陣；

采用基于增廣拉格朗日乘子法的離散優化方法求解基于多標簽學習的無監督特征選擇目標函數，得到特征選擇矩陣；

對特征選擇矩陣進行排序確定要選擇的目標特征；

所述基于多標簽學習的無監督特征選擇目標函數為：

其中，x_i,x_j∈R^1×d分別表示第i,j個樣本，此處，1≤i,j≤n；G∈R^n×n是學習的動態相似度圖，g_ij是G的第i行第j列的元素，此處，1≤i≤n，1≤j≤n；|| ||_F為矩陣的F范數；是動態圖G的拉普拉斯矩陣，度矩陣D是一個對角矩陣，其第i個對角元素為X^T是矩陣X的轉置；B∈{0,1}^n×l是二值多標簽矩陣，l是二值多標簽的長度；P∈R^d×l是特征選擇矩陣；μ，α為平衡參數，σ，β為正則化參數，n是樣本個數；||P||_2,1是矩陣P的L_2,1范數；

所述構造基于多標簽學習的無監督特征選擇目標函數包括：

采用回歸模型學習特征選擇矩陣，獲得低維的特征子空間，采用L_2,1范數最小化項將特征選擇矩陣約束為行稀疏；

對特征數據集采用高斯核函數創建與每個特征對應的相似度圖，并通過學習動態相似度圖，采用譜分析得到二值多標簽矩陣；

通過譜嵌入將學習的二值多標簽矩陣和特征選擇矩陣構造為基于多標簽學習的無監督特征選擇目標函數；

學習所述特征選擇矩陣為：

所述采用基于增廣拉格朗日乘子法的離散優化方法求解基于多標簽學習的無監督特征選擇目標函數的求解過程具體包括：

對目標函數中特征選擇矩陣、二值多標簽矩陣變量和動態相似度圖矩陣的三個變量，固定任意兩個變量，求解第三個變量；

設定迭代次數，對上述求解過程進行迭代求解，得到特征選擇矩陣的局部最優解。

2.如權利要求1所述的基于多標簽學習的無監督特征選擇方法，其特征在于，動態相似度圖的學習過程表示為：

其中，G是動態相似度圖，g_ij是G的第i行第j列的元素，1≤i≤n，1≤j≤n，σ為正則化參數，n是樣本個數。

3.如權利要求1所述的基于多標簽學習的無監督特征選擇方法，其特征在于，所述迭代求解中：

針對目標函數的譜嵌入Tr(B^TL_GB)項，采用輔助離散變量Z∈{0,1}^n×l來替代第二個二值多標簽矩陣B變量，通過固定基于多標簽學習的無監督特征選擇目標函數中的動態相似度圖矩陣、特征選擇矩陣和二值多標簽矩陣變量，求解輔助離散變量。