1、數(shù)據(jù)挖掘研究常用高維數(shù)據(jù)描述數(shù)據(jù)的特征。由于各種原因，例如數(shù)據(jù)多樣性等，高維數(shù)據(jù)常含有無關、冗余屬性。這些無關、冗余屬性通常增加儲存空間和計算時間，而且易導致維災難等問題，最終降低數(shù)據(jù)挖掘的效率。屬性約簡通過降低屬性的維數(shù)從高維數(shù)據(jù)中選出重要屬性，已被顯示除了解決以上問題，還能提高分類器的性能，在數(shù)據(jù)挖掘領域已經(jīng)得到了廣泛的應用。
　　現(xiàn)有的屬性約簡方法包括屬性選擇和子空間學習兩類。屬性選擇在保證原始結(jié)構(gòu)的前提下選擇相關屬性子集。

2、子空間學習把原始數(shù)據(jù)從高維度空間投影到低維度空間，保持數(shù)據(jù)相關結(jié)構(gòu)，同時能去除離群樣本和無關屬性?？傊瑢傩赃x擇比子空間學習更具有解釋性，而子空間學習比屬性選擇更具穩(wěn)定性。本文融合屬性選擇和子空間學習到同一個模型，針對高維數(shù)據(jù)秩由于噪音影響升高等特點，合理考慮低秩表示和稀疏重構(gòu)方法選取代表性的屬性子集，并應用于單視圖數(shù)據(jù)和多視圖數(shù)據(jù)的分類研究和回歸預測等應用。論文的主要內(nèi)容和創(chuàng)新點為:
　　(1)基于自表達方法在分類方面具有良好效

3、果，本文結(jié)合屬性自表達、低秩稀疏等技術(shù)，提出了一種單視圖數(shù)據(jù)的無監(jiān)督屬性約簡模型——自表達的低秩屬性約簡算法(RS_FS算法)。RS_FS算法利用低秩約束和稀疏學習，把單視圖無監(jiān)督分類轉(zhuǎn)成監(jiān)督分類問題。具體地，RS_FS算法首先假設無監(jiān)督數(shù)據(jù)含有潛在的類標簽，即通過K-均值聚類方法得到類標簽指示向量;然后利用屬性自表達方法充分考慮不同屬性間的自相似關系得到屬性自表達矩陣;并在目標函數(shù)中對已得到的重構(gòu)系數(shù)矩陣做稀疏處理。在得到的目標函數(shù)中

4、，子空間學習方法保持數(shù)據(jù)間的全局結(jié)構(gòu)使得在稀疏處理時確保最相關的若干樣本不被稀疏處理;低秩表示針對重構(gòu)系數(shù)矩陣進行低秩約束并按重要性大小選取前r個特征值對應的特征向量。通過跟對比算法在公開數(shù)據(jù)集的實驗比較，RS_FS對數(shù)據(jù)分類比對比算法有好的效果。
　　(2)數(shù)據(jù)的多樣性導致多視圖數(shù)據(jù)應運而生，論文提出了一種基于低秩稀疏的屬性約簡算法(SLR_ FS)。SLR_FS算法首先對每個視圖數(shù)據(jù)進行重構(gòu)獲取單視圖重構(gòu)系數(shù)矩陣;然后利用稀疏

5、重構(gòu)技術(shù)對每個視圖重構(gòu)系數(shù)矩陣進行稀疏處理，去除相應的噪聲樣本和冗余屬性;接著利用低秩表示處理不同視圖之間相關性并保持不同視圖數(shù)據(jù)間的全局數(shù)據(jù)結(jié)構(gòu)，并對得到的每個視圖稀疏重構(gòu)系數(shù)矩陣進行線性聯(lián)合。最后，結(jié)合子空間算法進一步調(diào)整得到的重構(gòu)系數(shù)矩陣。經(jīng)與對比算法進行的實驗驗證，SLR_FS算法在各種評價指標上均取得了很好的回歸效果。
　　本論文主要針對不同類型的高維數(shù)據(jù)（包括多視圖數(shù)據(jù)和單視圖數(shù)據(jù)），分析并設計了新穎的屬性約簡算法。具