文献类型：期刊文章

作　　者：刘艳芳[1,2] 李文斌[1] 高阳[1]

Liu Yanfang;Li Wenbin;Gao Yang(State Key Laboratory for Novel Software Technology(Nanjing University),Nanjing 210023;College of Mathematics and Information Engineering,Longyan University,Longyan,Fujian 364012)

机构地区：[1]计算机软件新技术国家重点实验室(南京大学),南京210023 [2]龙岩学院数学与信息工程学院,福建龙岩364012

出　　处：《计算机研究与发展》

基　　金：国家重点研发计划项目(2017YFB0702600,2017YFB0702601);国家自然科学基金项目(61806096);福建省中青年教师教育科研项目(科技类)(JAT170577,JAT190743);龙岩市科技计划项目(2019LYF13002)。

年　　份：2020

卷　　号：57

期　　号：8

起止页码：1639-1649

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：无监督特征选择算法可以对高维无标记数据进行有效的降维,从而减少数据处理的时间和空间复杂度,避免算法模型出现过拟合现象.然而,现有的无监督特征选择方法大都运用k近邻法捕捉数据样本的局部几何结构,忽略了数据分布不均的问题.为了解决这个问题,提出了一种基于自适应邻域嵌入的无监督特征选择(adaptive neighborhood embedding based unsupervised feature selection, ANEFS)算法,该算法根据数据集自身的分布特点确定每个样本的近邻数,进而构造样本相似矩阵,同时引入从高维空间映射到低维空间的中间矩阵,利用拉普拉斯乘子法优化目标函数进行求解.6个UCI数据集的实验结果表明:所提出的算法能够选出具有更高聚类精度和互信息的特征子集.

关 键 词：K近邻 自适应邻域 流形学习 特征选择  无监督学习

分 类 号：TP391]