论文研究 基于核稀疏表示的特征选择算法.pdf

为了解决高维数据在分类时导致的维数灾难，降维是数据预处理阶段的主要步骤。基于稀疏学习进行特征选择是目前的研究热点。针对现实中大量非线性可分问题，借助核技巧，将非线性可分的数据样本映射到核空间，以解决特征的非线性相似问题。进一步对核空间的数据样本进行稀疏重构，得到原数据在核空间的一种简洁的稀疏表达方式，然后构建相应的评分机制选择最优子集。受益于稀疏学习的自然判别能力，该算法能够选择出保持原始数据结构特性的“好”特征，从而降低学习模型的计算复杂度并提升分类精度。在标准UCI数据集上的实验结果表明，其性能上与同类算法相比平均可提高约5%。