首页> 中国专利> 一种基于低秩约束图谱学习的无监督特征选择算法

一种基于低秩约束图谱学习的无监督特征选择算法

页面导航

摘要
著录项
法律信息
相似文献

摘要

本发明提出了一种基于低秩约束图谱学习的无监督特征选择算法，该算法在权重矩阵中使用低秩约束并能同时减少冗余特征对性能的影响，针对大部分特征选择方法的不足，本发明通过建立新的优化目标函数来完成特征选择，分析了超参数对算法的影响和低轶约束的必要性。同时分析了算法的收敛性和复杂度。另外，运用所选择出的特征在6个基准数据集进行比较分析，实验结果表明，本发明的算法在分类任务的准确率方面优于现有的的五种算法。

著录项

公开/公告号CN109447116A

专利类型发明专利
公开/公告日2019-03-08

原文格式PDF
申请/专利权人中山大学;广东恒电信息科技股份有限公司;
展开▼

申请/专利号CN201811117503.1
发明设计人陆广泉;杨伟伟;罗志平;印鉴;高静;
展开▼

申请日2018-09-20
分类号
代理机构广州粤高专利商标代理有限公司;
代理人刘俊
地址 510275 广东省广州市海珠区新港西路135号
入库时间 2024-02-19 07:20:05

法律信息

法律状态公告日

法律状态信息

法律状态
2019-04-02

实质审查的生效 IPC(主分类):G06K9/62 申请日:20180920

实质审查的生效
2019-03-08

公开

公开

相似文献

专利
中文文献
外文文献

1. 一种基于低秩约束图谱学习的无监督特征选择算法 [P] . 中国专利： CN109447116A . 2019-03-08
2. 基于低秩图学习的半监督特征子空间学习方法及装置 [P] . 中国专利： CN111027582A . 2020-04-17
3. Graph Constuction Based on Fast Low-Rank Representation in Graph-Based Semi-Supervised Learning [P] . 韩国专利： KR20190064971A . 2019-06-11

机译：基于图的半监督学习中基于快速低秩表示的图构造
4. UNSUPERVISED, SEMI-SUPERVISED, AND SUPERVISED LEARNING USING DEEP LEARNING BASED PROBABILISTIC GENERATIVE MODELS [P] . US2021256391A1 . 2021-08-19

机译：使用深受基于深度学习的概率生成模型的无监督，半监督和监督学习
5. LATENT LOW-RANK PROJECTION LEARNING BASED UNSUPERVISED FEATURE EXTRACTION METHOD FOR HYPERSPECTRAL IMAGE [P] . WO2022001159A1 . 2022-01-06

机译：基于潜伏的低级投影学习的超高光谱图像的无监督特征提取方法