[发明专利]一种基于JS散度与ADMM算法的无监督特征选择方法

权利要求书

1.一种基于JS散度与ADMM算法的无监督特征选择方法，其特征在于，包括：

基于Filter特征选择算法，获取数据集的特征得分向量；

通过直方图统计算法，获取所述数据集中每个特征的概率分布，并基于JS散度公式，计算得到冗余度矩阵；

将所述特征得分向量和冗余度矩阵作为输入构建目标函数；

根据ADMM算法求解所述目标函数，以进行特征选择。

2.根据权利要求1所述的基于JS散度与ADMM算法的无监督特征选择方法，其特征在于，

将所述特征得分向量和冗余度矩阵作为输入构建目标函数，包括：

目标函数为：

其中，λ为权重系数，s为特征得分向量，J为冗余度矩阵。

3.根据权利要求2所述的基于JS散度与ADMM算法的无监督特征选择方法，其特征在于，

根据ADMM算法求解所述目标函数，以进行特征选择，包括：

初始化λ、z和v，设置超参数ρ和μ(，设置最大迭代次数；其中，z为变量，v为辅助变量；

根据所述目标函数，构建增广拉格朗日函数：

其中，α_t和α_z为拉格朗日乘子；

对于第k次迭代，通过计算v_k；

通过计算z_k；其中，inv()表示求逆操作，1表示所有分量都为1的列向量，E表示单位矩阵；

通过ρ_k＝μρ_k-1更新ρ_k；

通过α_t^k＝α_t^k-1+ρ_k(z_k^T1-1)更新α_t^k；

通过α_z^k＝α_z^k-1+ρ_k(z_k-v_k).更新α_z^k；

当迭代完成后，获取优化后的得分向量；

选取所述优化后的得分向量中得分最高的预设个数的特征。

4.根据权利要求3所述的基于JS散度与ADMM算法的无监督特征选择方法，其特征在于，

迭代完成的条件为：第k次迭代对应的目标函数值与第k-1次迭代对应的目标函数值的差值小于预设阈值，或者迭代次数达到所述最大迭代次数。