基于自步学习的半监督特征选择算法研究

史彩娟 谷志斌

摘要：图像往往由高维特征向量表示，为了有效地从高维特征向量中选取最具有判别性的低维特征向量，学者们提出了多种特征选择算法，其中基于图拉普拉斯的半监督特征选择算法得到了广泛的应用，但是，现有的算法在特征选择过程中忽略了不同样本的不同复杂度。为了克服这个缺点，文章将自步学习引入到特征选择过程中，有效提升了特征选择性能。

关键词：特征选择;自步学习;半监督学习;降维

中图分类号：TP391 文献标识码：A

文章编号：1009-3044（2020）15-0210-01

1引言

在計算机视觉和模式识别等领域中，图像往往由高维特征向量表示，高维数据往往会增加处理数据的复杂度。为了有效地从高维特征向量中选取最具有判别性的低维特征向量，学者们提出了多种特征选择算法，其中基于图拉普拉斯的半监督特征选择算法凭借其良好的性能，得到了广泛的应用。但是，现有的算法大都是直接将所有样本纳入训练过程，忽略了不同样本的复杂度。为了克服这个缺点，文章将自步学习引人到特征选择过程中，克服了传统算法中的缺点，提升了特征选择的性能。

2基于自步学习的特征选择算法别所输人人脸的真伪。那么如何自动地、高效地辨别图像真伪抵抗欺骗攻击以确保系统安全已成为人脸识别技术中一个迫切需要解决的问题。本文基于dlib人脸检测和关键点获取的基础上对视频流中采集到的人脸进行追踪与判断，实验中采集到的人脸较多为平视摄像头，对于侧脸，遮挡等处理效果需要进一步设计与改进。

由公式（2）可以看出，SP-SSFS框架比公式（1）中多了自步正则项f（θ;δ），其中，θ是表示样本权重的参数，δ是自步函数中的步长参数为自步正则项，通过加入自步正则项使得算法在训练过程中，首先训练简单的样本，然后再训练复杂的样本，进而提升特征选择的性能。

3结论

本文将自步学习应用于特征选择中，提出了一个新的自步半监督特征选择算法。该算法通过引入自步学习，使得在特征选择过程中，充分地利用了不同训练数据的不同复杂度，提升了特征选择的性能。