文献类型：期刊文章

作　　者：朱建勇[1,2] 周振辰[1,2] 杨辉[1,2] 聂飞平[3]

ZHU Jian-yong;ZHOU Zhen-chen;YANG Hui;NIE Fei-ping(College of Electrical and Automation,East China Jiaotong University,Nanchang 330013,China;Key Laboratory of Advanced Control and Optimization of Jiangxi Province,Nanchang 330013,China;Center for Optical Image Analysis and Learning,Northwestern Polytechnical University,Xi’an 710072,China)

机构地区：[1]华东交通大学电气与自动化工程学院,南昌330013 [2]江西省先进控制与优化重点实验室,南昌330013 [3]西北工业大学光学影像分析与学习中心,西安710072

出　　处：《控制与决策》

基　　金：国家自然科学基金重点项目(61733005);国家自然科学基金项目(61563015,61963015,61863014);江西省自然科学基金项目(20171ACB21039,20192BAB207024);江西省教育厅科技项目(GJJ150552)。

年　　份：2021

卷　　号：36

期　　号：8

起止页码：1862-1870

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：传统的基于拉普拉斯图的半监督特征选择算法处理高维、少标签样本时,缺乏外推能力且对数据异常值的鲁棒性差.基于此,提出一种基于Hessian正则的自适应损失半监督稀疏特征选择算法.首先,为提升线性映射能力,利用Hessian正则保留数据的局部流形结构;其次,为增强模型对具有较小或者较大损失数据的鲁棒性,引入自适应损失函数,通过调节自适应损失参数确定最小损失;再次,采用l2,p范数稀疏投影矩阵,提升特征的区分度,增加模型适应度;最后,采用递归迭代优化求解目标函数.仿真实验验证了所提方法的有效性和优越性.

关 键 词：半监督  特征选择  自适应损失  稀疏约束  L2 p范数  

分 类 号：TP391]