10.13682/j.issn.2095-6533.2022.05.006
无监督特征选择的改进稀疏主成分分析算法
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.
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
27
TP181(自动化基础理论)
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
2023-04-19(万方平台首次上网日期,不代表论文的发表时间)
共6页
43-48