針對(duì)高維的數(shù)據(jù)中往往存在非線性、低秩形式和屬性冗余等問(wèn)題，提出一種基于核函數(shù)的屬性自表達(dá)無(wú)監(jiān)督屬性選擇算法——低秩約束的非線性屬性選擇算法（ LRNFS）。首先，將每一維的屬性映射到高維的核空間上，通過(guò)核空間上的線性屬性選擇去實(shí)現(xiàn)低維空間上的非線性屬性選擇；然后，對(duì)自表達(dá)形式引入偏差項(xiàng)并對(duì)系數(shù)矩陣進(jìn)行低秩與稀疏處理；最后，引入核矩陣的系數(shù)向量的稀疏正則化因子來(lái)實(shí)現(xiàn)屬性選擇。所提算法中用核矩陣來(lái)體現(xiàn)其非線性關(guān)系，低秩考慮數(shù)據(jù)的全局信息進(jìn)行子空間學(xué)習(xí)，自表達(dá)形式確定屬性的重要程度。實(shí)驗(yàn)結(jié)果表明，相比于基于重新調(diào)整的線性平方回歸（ RLSR）半監(jiān)督特征選擇算法，所提算法進(jìn)行屬性選擇之后作分類(lèi)的準(zhǔn)確率提升了2.34%。所提算法解決了數(shù)據(jù)在低維特征空間上線性不可分的問(wèn)題，提升了屬性選擇的準(zhǔn)確率。

?

　　圖像處理和數(shù)據(jù)挖掘等領(lǐng)域常用高維的矩陣來(lái)存儲(chǔ)數(shù)據(jù)。高維的矩陣在存儲(chǔ)大量信息的同時(shí)，也會(huì)帶來(lái)屬性冗余、占用大量存儲(chǔ)空間等問(wèn)題。為了能夠提取這些數(shù)據(jù)的有效信息，并提升處理效率，需要對(duì)這些數(shù)據(jù)進(jìn)行預(yù)處理。因此屬性約簡(jiǎn)成為了越來(lái)越重要的一個(gè)研究領(lǐng)域。

　　屬性選擇是常見(jiàn)的屬性約簡(jiǎn)方法。它主要是按照某種標(biāo)準(zhǔn)從紛繁雜亂的屬性中選出能夠最好表示出數(shù)據(jù)的原始屬性的子集。屬性選擇廣泛應(yīng)用于模式識(shí)別、機(jī)器學(xué)習(xí)以及其他領(lǐng)域中。之前的大部分研究都是基于線性條件下的屬性選擇，然而現(xiàn)實(shí)生活中的數(shù)據(jù)之間往往不是恰好線性的關(guān)系，有時(shí)需要去更多地考慮數(shù)據(jù)之間的非線性關(guān)系，因此可以引入核函數(shù)來(lái)實(shí)現(xiàn)非線性的屬性選擇。