[发明专利]一种考虑特征标签依赖度的鲁棒多标签特征选择方法

权利要求书

1.一种考虑特征标签依赖度的鲁棒多标签特征选择方法，基于稀疏最小二乘回归框架，结合流行正则项以及非负矩阵分解项来构建训练模型，最后对构建的目标函数进行迭代求解，得到目标特征权重矩阵，根据权重矩阵来选取最优特征子集K；包含以下步骤：

步骤1：输入特征矩阵标签矩阵其中，n代表了训练样本个数，d代表了训练样本的特征维度，c代表了训练样本的标签维度；

正则项系数α,β,γ∈{0.001,0.01,0.1,1,10,100,1000}，最大迭代次数m＞0，收敛阈值∈＞0，潜在语义矩阵维度r＞0以及加权因子δ＞0；

步骤2：初始化最小二乘对角矩阵和稀疏正则对角矩阵为单位对角矩阵；

步骤3：在[0,1]的范围内随机初始化潜在语义矩阵以及对应的系数矩阵

步骤4：设置目标函数初始值Θ⁰＝1以及当前迭代次数t＝0，这里符号Θ^t代表第t次迭代中的目标函数值；

步骤5：判断是否满足收敛条件其中，如果满足则跳到步骤9，如果不满足则重复步骤5至步骤8；

步骤6：按照以下更新公式更新矩阵W，V，B，D以及

其中，W_t，V_t，B_t分别代表了W，V，B在第t次迭代中的值；

步骤7：t＝t+1；

步骤8：更新Θ^t＝||XW-V||_2,1+||Y-VB||_F+α||W||_2,1+βTr(V^TL^YV)+γTr(W^TL^XW)；

这里Tr(·)表示对一个括号内的矩阵求迹；

步骤9：利用余弦相似度计算特征标签依赖度矩阵

计算公式为：其中，Xⁱ∈N_p(Y^j)代表了第j个样本属于第i个样本的p邻域；

步骤10：根据步骤9得到的R以及加权因子δ来为特征权重矩阵W进行加权并得到加权特征权重矩阵

加权步骤为：其中为哈达玛积；

步骤11：根据步骤10得到的来计算每个特征的权重；第i个特征的权重计算公式为：fw_i＝||W_i||₂；

步骤12：输出最优特征子集K。