关键词：无监督学习 低秩表示 图嵌入 特征选择 

摘要：大数据应用带来高维数据急剧增加,数据降维已成为重要问题.特征选择降维方法已广泛应用于模式识别领域,近年来提出了许多基于流形学习的特征选择方法,然而这类方法往往容易受到各种噪声影响.对此,本文提出一种联合低秩表示和图嵌入的高效无监督特征选择方法(JLRRGE).通过低秩表示寻找数据在低秩子空间下的表示,降低噪声的影响从而提高算法的鲁棒性,并通过自适应图嵌入方法,使选择特征保持原有的局部关系.实验结果表明,本文提出算法的分类准确率优于其他对比算法.

广东工业大学学报杂志要求:

{1}图像要求足够清晰，数量可达20～30幅，并贯穿文字说明和评析。

{2}文稿内容应包括：文章题名、作者署名、作者单位、摘要、关键词、引言、正文、结束语或结论、参考文献等。

{3}来稿一经接受刊登，由作者亲笔签署论文专有使用权授权书，该论文的专有使用权即归本刊编辑部所有。

{4}属于课题基金项目的成果或论文，请在首页注明基金项目类别、课题项目名称及编号。如有鸣谢文字请附于文末。

{5}关键词应有3～5个。词与词之间用分号分隔。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社