(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210640089.2 (22)申请日 2022.06.08 (71)申请人 西北工业大 学 地址 710072 陕西省西安市友谊西路127号 (72)发明人 朱培灿　侯鑫　高超　刘洋　 赵银平　王震　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 郭永丽 (51)Int.Cl. G06V 10/771(2022.01) G06V 10/774(2022.01) G06V 10/74(2022.01) G06V 40/10(2022.01) (54)发明名称 一种无监督特征选择方法、 装置、 设备和存 储介质 (57)摘要 本发明公开了一种无监督特征选择方法、 装 置、 设备和存储介质， 涉及机器学习中的降维领 域， 解决了受原始数据中包含的噪声和冗余等不 良特征的影 响， 导致在特征选择中最终所选特征 不是最优特征的问题。 无监督特征选择方法具体 包括： 获取n个目标对象中每个目标对象的初始 特征数据， 确定任意两个目标对象的第一相似 度， 构建第一相似矩阵； 基于第一相似矩阵构建 第二相似矩阵， 对第二相似矩阵进行迭代学习得 到目标相似矩阵以及相应的目标投影矩阵， 根据 初始特征数据和目标投影矩 阵确定目标特征数 据。 本发明将相似矩阵的构造和特征选择两个过 程整合到一个统一的框架中， 可以得到最优的相 似矩阵。 权利要求书3页 说明书8页 附图3页 CN 115331066 A 2022.11.11 CN 115331066 A 1.一种无监 督特征选择方法， 其特 征在于， 包括： 获取用户输入的n个目标对象中每个目标对象的初始特征数据， 所述初始特征数据包 括d种特征数据， n和d为大于1的正整数； 根据所述n个目标对象中任意两个目标对象的初始特征数据， 确定所述任意两个目标 对象的第一相似度； 根据所述任意两个目标对象的第一相似度， 以及正则化 参数， 构建第一相似矩阵； 根据用户输入的多个候选对象的初始特征数据， 确定任意两个候选对象的第二相似 度， 并根据所述任意两个候选对 象的第二相似度和所述正则化参数构建第二相似矩阵， 所 述多个候选对象与所述 n个目标对象完全不同或者部分不同； 利用损失函数， 根据所述第一相似矩阵对所述第二相似矩阵进行迭代学习， 得到目标 相似矩阵， 以及相应的目标投影矩阵， 所述 目标相似矩阵为与所述第一相似矩阵的相似度 最高的矩阵； 根据所述初始特征数据和所述目标投影矩阵， 确定目标特征数据， 所述目标特征数据 包括k种特征数量， k为小于d的正整数。 2.根据权利要求1所述的无监督特征选择方法， 其特征在于， 所述利用损 失函数， 根据 所述第一相似矩阵对所述第二相似矩阵进行迭代学习， 得到目标相似矩阵， 以及相应的目 标投影矩阵， 包括： 采用公式(1)， 确定所述目标相似矩阵， 以及相应的所述目标投影矩阵， 所述公式(1)满 足以下条件： 其中， A为第一相似矩阵， S为第二相似矩阵， W为目标投影矩阵， || ·||F表示矩阵的 Frobenius范数； k表示目标投影矩阵中的特征数量， λ和α 都是用来调整平衡的参数， LS＝DS‑ (S+ST)/2表示所述第二相似矩阵S的拉普拉斯矩阵， 其中的DS表示对角度矩阵， 第i个对角元 素为∑j(sij+sji)/2。 3.根据权利要求2所述的无监督特征选择方法， 其特征在于， 所述目标投影矩阵满足以 下公式(2)的条件： ||W||2,0＝k    (2)。 4.根据权利要求1 ‑3中任一项所述的无监督特征选择方法， 其特征在于， 所述根据 所述 任意两个目标对象的第一相似度， 以及正则化 参数， 构建第一相似矩阵， 包括： 采用公式(3)， 构建所述第一相似矩阵， 所述公式(3)满足以下 条件： 其中， aij代表第i个 目标对象和第j个目标对象之间的相似性， γ≥0代表正则化参数， 正则化项用于避免平凡解。 5.一种无监 督特征选择装置， 其特 征在于， 包括： 获取模块， 用于获取用户输入的n个目标对象中每个目标对象的初始特征数据， 所述初权　利　要　求　书 1/3 页 2 CN 115331066 A 2始特征数据包括d种特 征数据， n和d为大于1的正整数； 第一确定模块， 用于根据 所述n个目标对象中任意两个目标对象的初始特征数据， 确定 所述任意两个目标对象的第一相似度； 第一构建模块， 用于根据 所述任意两个目标对象的第 一相似度， 以及正则化参数， 构建 第一相似矩阵； 第二构建模块， 用于根据用户输入的多个候选对象的初始特征数据， 确定任意两个候 选对象的第二相似度， 并根据所述任意两个候选对象的第二相似度和所述正则化参数构建 第二相似矩阵， 所述多个候选对象与所述 n个目标对象完全不同或者部分不同； 迭代学习模块， 用于利用损 失函数， 根据所述第一相似矩阵对所述第二相似矩阵进行 迭代学习， 得到目标相似矩阵， 以及相应的目标 投影矩阵， 所述目标相似矩阵为与所述第一 相似矩阵的相似度最高的矩阵； 第二确定模块， 用于根据 所述初始特征数据和所述目标投影矩阵， 确定目标特征数据， 所述目标 特征数据包括 k种特征数量， k为小于d的正整数。 6.根据权利要求5所述的一种无监督特征选择装置， 其特征在于， 所述迭代学习 模块具 体用于： 采用公式(1)， 确定所述目标相似矩阵， 以及相应的所述目标投影矩阵， 所述公式(1)满 足以下条件： 其中， A为第一相似矩阵， S为第二相似矩阵， W为目标投影矩阵， || ·||F表示矩阵的 Frobenius范数； k表示目标投影矩阵中的特征数量， λ和α 都是用来调整平衡的参数， LS＝DS‑ (S+ST)/2表示所述第二相似矩阵S的拉普拉斯矩阵， 其中的DS表示对角度矩阵， 第i个对角元 素为∑j(sij+sji)/2。 7.根据权利要求6所述的一种无监督特征选择装置， 其特征在于， 所述目标投影矩阵满 足以下公式(2)的条件： ||W||2,0＝k    (2)。 8.根据权利要求7所述的一种无监督特征选择装置， 其特征在于， 所述第 一构建模块具 体用于： 采用公式(3)， 构建所述第一相似矩阵， 所述公式(3)满足以下 条件： 其中， aij代表第i个 目标对象和第j个目标对象之间的相似性， γ≥0代表正则化参数， 正则化项用于避免平凡解。 9.一种电子设备， 其特征在于， 所述设备包括处理器和存储器， 所述存储器中存储有至 少一条指 令或至少一段程序， 所述至少一条指 令或所述至少一段程序由所述处理器加载并 执行以实现如权利要求1 ‑4任一项所述的一种无监 督特征选择方法。 10.一种计算机可读存储介质， 其特征在于， 包括计算机指令， 当所述计算机指令在电 子设备上运行时， 使得所述电子设备执行权利要求1 ‑4中任意一项所述的无监督特征选择权　利　要　求　书 2/3 页 3 CN 115331066 A 3