无监督特征选择的改进稀疏主成分分析算法

摘要：

为了降低稀疏主成分分析(Sparse Principal Component Analysis,SPCA)算法对高维数据集的计算复杂度,提出一种改进SPCA(Improved Sparse Principal Component Analysis,ISPCA)算法.该算法将特征选择过程分为两个阶段,第一阶段利用不带低秩惩罚项的SPCA先对数据进行一次特征选择,得到降维数据,采用矩阵的广义逆引理降低算法复杂度.第二阶段在降维数据上执行带低秩惩罚项的SPCA对降维数据再次进行特征选择.对比实验结果表明,ISPCA算法比SPCA算法受参数影响较小,特征选择性能更优,运行速度更快.

关键词：主成分分析、无监督特征选择、行稀疏化、两阶段特征选择、矩阵的广义逆引理

所属期刊栏目：27

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金;国家自然科学基金;陕西省自然科学基金;陕西省自然科学基金;西安邮电大学新星团队项目

在线出版日期：2023-04-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：43-48