一种基于隐空间学习和流行约束的无监督特征选择方法

发明专利有效专利

申请号：
CN202110146550.4
IPC分类号：G06K9/62;G06F17/16
申请日期：
2021-02-03
申请人：
浙江师范大学

基础信息

权利要求

说明书

PDF全文

法律信息

引证文献

著录项信息

专利名称	一种基于隐空间学习和流行约束的无监督特征选择方法
申请号	CN202110146550.4	申请日期	2021-02-03
法律状态	实质审查	申报国家	中国
公开/公告日	2021-06-04	公开/公告号	CN112906767A
优先权	暂无	优先权号	暂无
主分类号	G06K9/62 ? IPC结构图谱： G 物理 G0 仪器 G06 计算；推算；计数 G06K 数据识别；数据表示；记录载体；记录载体的处理（印刷本身入B41J） G06K9/00 用于阅读或识别印刷或书写字符或者用于识别图形，例如，指纹的方法或装置（用于图表阅读或者将诸如力或现状态的机械参量的图形转换为电信号的方法或装置入G06K 11/00；语音识别入G10L 15/00）〔1，7〕 G06K9/62 应用电子设备进行识别的方法或装置〔3〕	IPC分类号	G;0;6;K;9;/;6;2;;;G;0;6;F;1;7;/;1;6查看分类表>
申请人	浙江师范大学	申请人地址	浙江省金华市婺城区迎宾大道688号变更专利地址、主体等相关变化，请及时变更，防止失效
权利人	浙江师范大学	当前权利人	浙江师范大学
发明人	朱信忠;徐慧英;郑晓;唐厂;赵建民
代理机构	浙江千克知识产权代理有限公司	代理人	赵芳

摘要

本发明公开了一种基于隐空间学习和流行约束的无监督特征选择方法，包括：S11.输入原始数据矩阵，得到特征选择模型；S12.将隐空间学习嵌入至特征选择模型，得到具有隐空间学习的特征选择模型；S13.将图拉普拉斯正则化项加入具有隐空间学习的特征选择模型中，得到目标函数；S14.采用交替迭代优化策略求解目标函数；S15.对原始矩阵中的每个特征进行排序，并选择排名前k的特征，得到最优特征子集。本发明在学习的潜在隐空间中进行特征选择，该空间对于噪声是鲁棒的；潜在隐空间通过相似矩阵的非负矩阵分解来建模，该矩阵分解能明确地反映数据实例之间的关系。同时，原始数据空间的局部流形结构由潜在隐空间中基于图的流形约束项保留。

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有引用任何外部专利数据！

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有被任何外部专利所引用！

我浏览过的专利

专利服务由北京酷爱智慧知识产权代理公司提供