半監(jiān)督模式下的多視角特征降維方法，大多并未考慮到不同視角間特征投影的差異，且由于缺乏對降維后的低維矩陣的稀疏約束，無法避免噪聲和其他不相關(guān)特征的影響。針對這兩個問題，提出自適應(yīng)嵌入的半監(jiān)督多視角特征降維方法。首先，將投影從單視角下相同的嵌入矩陣擴(kuò)展到多視角間不同的矩陣，引入全局結(jié)構(gòu)保持項；然后，將無標(biāo)簽的數(shù)據(jù)利用無監(jiān)督方法進(jìn)行嵌入投影，對于有標(biāo)簽的數(shù)據(jù)，結(jié)合分類的判別信息進(jìn)行線性投影；最后，再將兩類多投影映射到統(tǒng)一的低維空間，使用組合權(quán)重矩陣來保留全局結(jié)構(gòu)，很大程度上消除了噪聲及不相關(guān)因素的影響。實驗結(jié)果表明，所提方法的聚類準(zhǔn)確率平均提高了約9qo。該方法較好地保留了多視角間特征的相關(guān)性，捕獲了更多的具有判別信息的特征。

　　當(dāng)數(shù)據(jù)從不同數(shù)據(jù)源獲得或者由不同的特征集來共同表示，這類數(shù)據(jù)稱為多視角數(shù)據(jù)。比如圖像可以由灰度值、尺度不變特征變換（ Scale- Invariant Feature Transform， SIFT） 特征1、方向梯度直方圖（ Histogram of Oriented Gradients，HOG）特征等多種特征來表示;網(wǎng)頁可以由網(wǎng)站地址、網(wǎng)站名稱等多種特征表示。多視角數(shù)據(jù)的各個視角之間通常能夠提供互補和相關(guān)的信息，而傳統(tǒng)方法并不考慮這-一點，因此如何有效提取不同視角的特征且保留各個視角之間的相關(guān)性來實現(xiàn)特征降維成為機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘近年來的研究熱點?；诮Y(jié)構(gòu)信息保持的特征提取方法通過最大程度上保持原始數(shù)據(jù)的結(jié)構(gòu)，包括全局結(jié)構(gòu)和局部流形結(jié)構(gòu)來實現(xiàn)特征降維。這些結(jié)構(gòu)可以通過圖約束模型來表示，如樣本成對相似，K最近鄰（ K-Nearest Neighbors， K-NN）。、局部判別模型、局部線性嵌人（LocallyLincarEmbedding，LE）等。在近年來的研究進(jìn)展中，嵌入矩陣被廣泛引人到各類特征提取方法中 ，這些方法通過重構(gòu)各數(shù)據(jù)點與全局信息之間的關(guān)系，來保留原始的結(jié)構(gòu)。但是將這些方法應(yīng)用于多視角特征提取時，它們大多只是單獨對單視角的特征進(jìn)行選擇，然后將各視角直接相連，導(dǎo)致了各個視角間特征的相關(guān)性和部分原始信息的缺失。