針對(duì)現(xiàn)有屬性選擇算法平等地對(duì)待每個(gè)樣本而忽略樣本之間的差異性，從而使學(xué)習(xí)模型無法避免噪聲樣本影響問題，提出一種融合自步學(xué)習(xí)理論的無監(jiān)督屬性選擇（ UFS-SPL）算法。首先自動(dòng)選取一個(gè)重要的樣本子集訓(xùn)練得到屬性選擇的魯棒性初始模型，然后逐步自動(dòng)引入次要樣本提升模型的泛化能力，最終獲得一個(gè)能避免噪聲干擾而同時(shí)具有魯棒性和泛化性的屬性選擇模型。在真實(shí)數(shù)據(jù)集上與凸半監(jiān)督多標(biāo)簽屬性選擇（ CSFS）、正則化自表達(dá)（ RSR）和無監(jiān)督屬性選擇的耦合字典學(xué)習(xí)方法（CDLFS）相比，UFS-SPL的聚類準(zhǔn)確率、互信息和純度平均提升12.06%、10.54%和10.5%。實(shí)驗(yàn)結(jié)果表明，UFS-SPL能夠有效降低數(shù)據(jù)集中無關(guān)信息的影響。

?

　　伴隨信息采集技術(shù)的不斷發(fā)展，具有大樣本高維度特點(diǎn)的大數(shù)據(jù)已經(jīng)普遍應(yīng)用于模式識(shí)別和機(jī)器學(xué)習(xí)等領(lǐng)域中。高維大數(shù)據(jù)不僅提升了數(shù)據(jù)處理的成本，而且數(shù)據(jù)中存在的冗余屬性還會(huì)影響數(shù)據(jù)處理的效果，此外還可能造成維度災(zāi)難等問題。在高維大數(shù)據(jù)的研究中，大數(shù)據(jù)知識(shí)挖掘或者數(shù)據(jù)認(rèn)知模式建立之前，合理地移除數(shù)據(jù)中的冗余屬性和噪聲樣本，能夠有效提高知識(shí)獲取的準(zhǔn)確性，因此數(shù)據(jù)降維成為了一個(gè)重要的研究領(lǐng)域。屬性選擇方法。是一種重要的數(shù)據(jù)降維方法，按照學(xué)習(xí)方式的不同可分為三類：有監(jiān)督學(xué)習(xí)無監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)。在現(xiàn)實(shí)應(yīng)用中，獲取數(shù)據(jù)的類標(biāo)簽是十分困難的，通常需要消耗大量的人力物力，因此無監(jiān)督學(xué)習(xí)更具有實(shí)際應(yīng)用價(jià)值。