1. 研究目的与意义（文献综述）

1.1课题研究的目的及意义

机器学习领域中，特征选择是降维的一种主要方法。数据降维后，维度降低，更有利于计算和可视化，其更深层次的意义在于有效信息的提取综合及无用信息的摈弃。现实生活中，数据通常是高维的，其中存在大量噪声及不相关特征，这给传统的学习算法带来巨大挑战。特征选择是指使用计算机选择图像中属于特征性的信息的方法及过程。特征是数字图像的一部分，它是许多图像分析算法的起点。

多视角特征选择，是当前应用研究的热点问题。多视角数据，目前已广泛存在于生物科学、社交网络、图像识别、汽车工业和机器人工业等领域。随着数据感知技术的发展,获取同一个目标对象描述的方式越来越多,每种方式获取的特征,常称为一个视角。为了更高效地利用多视角数据蕴含的互补信息，机器学习领域发展出了相应的多视角学习方式。现有工作已表明,将多个视图的数据按特定的策略融合成单一数据,进而用于后续分类或回归等任务,具有更好的学习效果。

2. 研究的基本内容与方案

2.1研究的基本内容、目标

降维方法一直是机器学习领域的热点研究问题，特征选择是一种主要的降维方法，多视角特征选择是当前的应用研究热点。本文的主要内容如下：

1.了解各类多视角数据降维方法的算法特点，对特征选择的算法的结构和框架进行阐述，针对多视角特征，采用非监督学习、自适应学习、半监督学习等方法实现多视角特征选择；

3. 研究计划与安排

4-6周：总体设计，完成论文综述

7-10周：设计算法，功能模块设计

11-13周：编码和测试

4. 参考文献（12篇以上）

[1] l. du and y.-d. shen. unsupervisedfeature selection with adaptive structure learning. in kdd, pages 209–218,2015.

[2] m. qian and c. zhai. unsupervisedfeature selection for multi-view clustering on text-image web news data. incikm, pages 1963–1966.acm, 2014.

[3] m. qian and c. zhai. robustunsupervised feature selection. in ijcai,2013.