【技术实现步骤摘要】
一种基于软标签回归的无监督特征选择方法和系统
本公开涉及一种基于软标签回归的无监督特征选择方法和系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。遥感图像分类是遥感图像处理和分析领域的一个研究热点，随着观测技术的发展，遥感数据日益丰富，遥感图像的特征维数也越来越高，一方面，高维数据提供了愈加丰富的特征信息，另一方面，高维特征数据中存在的冗余和噪声特征增加了分类算法的计算量，并且严重影响分类效果。特征选择作为处理高维特征数据的有效方法，在各领域中发挥着越来越重要的作用，受到越来越多的关注，特征选择是基于一定准则，通过去除高维特征数据中的冗余和噪声特征，选择出具有判别性的特征子集，在保留数据语义信息的同时，降低问题的复杂度，提高后续算法的性能，根据是否依赖数据标签，现有的特征选择方法可以分为两大类，有监督特征选择和无监督特征选择，有监督特征选择通过计算特征与数据标签的相关程度来判断特征的重要性，但随着高维特征数据的数量急剧增加，标记数据费时费力，这导致有监督特征选择的扩展性...
【技术保护点】
1.一种基于软标签回归的无监督特征选择方法，其特征在于，包括：/n获取遥感图像作为数据样本，对获取的数据样本进行特征提取，得到特征数据集；/n基于模糊聚类学习数据样本的软标签，通过稀疏回归模型学习特征选择矩阵，基于软标签学习和特征选择矩阵学习，构建基于软标签回归的无监督特征选择的目标函数；/n求解基于软标签回归的无监督特征选择的目标函数，得到特征选择矩阵；/n基于特征选择矩阵，计算各个特征的重要性指标，将特征按照所述重要性指标从大到小排序，选择前k个特征构成特征子集；/n根据获取的特征子集对遥感图像进行识别。/n
【技术特征摘要】
1.一种基于软标签回归的无监督特征选择方法，其特征在于，包括：
获取遥感图像作为数据样本，对获取的数据样本进行特征提取，得到特征数据集；
基于模糊聚类学习数据样本的软标签，通过稀疏回归模型学习特征选择矩阵，基于软标签学习和特征选择矩阵学习，构建基于软标签回归的无监督特征选择的目标函数；
求解基于软标签回归的无监督特征选择的目标函数，得到特征选择矩阵；
基于特征选择矩阵，计算各个特征的重要性指标，将特征按照所述重要性指标从大到小排序，选择前k个特征构成特征子集；
根据获取的特征子集对遥感图像进行识别。
2.如权利要求1所述的一种基于软标签回归的无监督特征选择方法，其特征在于，基于模糊聚类学习数据样本的软标签时，引入投影矩阵，将数据样本投影到低维空间，在低维空间中，基于模糊聚类学习数据样本的软标签，软标签的学习目标函数为：
其中，n是数据样本数，c是聚类数，W∈Rd×m是投影矩阵，d是特征数据集中特征维度，m是投影后的特征维度，WT表示矩阵W的转置，xi是第i个样本点，mj是第j个聚类中心，yij是隶属度矩阵Y∈Rn×c中的第i行第j列的元素，表示第i个样本点属于第j个类的概率，I表示元素全为1的向量，设u＝WTxi-mj∈Rm×1，||u||2表示向量u的L2范数，||Y||F为矩阵Y的F范数。
3.如权利要求2所述的一种基于软标签回归的无监督特征选择方法，其特征在于，特征选择矩阵学习的目标函数为：
其中，X∈Rn×d是特征数据集，P∈Rd×c是特征选择矩阵，||P||2,1表示矩阵P的L2,1范数。
4.如权利要求3所述的一种基于软标签回归的无监督特征选择方法，其特征在于，基于软标签回归的无监督特征选择的目标函数为：
其中，第一项表示在低维空间中，基于模糊聚类学习数据样本的软标签，第二项表示通过回归模型学习特征选择矩阵，第三项是利用F范数对软标签施加稀疏约束，第四项是利用L2,1范数最小化将特征选择矩阵约束为行稀疏，α，β和γ是各项的权重参数。
5.如权利要求4所述的一种基于软标签回归的无监督特征选择方法，其特征在于，采用迭代优化方法求解基于软标签回归的无监督特征选择的目标函数，得到特征选择矩阵，具体为：
对目标函数中投影矩阵W、聚类中心m...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。