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特征的影響。針對這兩個問題，提出自適應嵌入的半監(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展到多視角間不同的矩陣，引入全局結構保持項；然后，將無標簽的數(shù)據(jù)利用無監(jiān)督方法進行嵌入投影，對于有標簽的數(shù)據(jù)，結合分類的判別信息進行線性投影；最后，再將兩類多投影映射到統(tǒng)一的低維空間，使用組合權重矩陣來保留全局結構，很大程度上消除了噪聲及不相關因素的影響。實驗結果表明，所提方法的聚類準確率平均提高了約9qo。該方法較好地保留了多視角間特征的相關性，捕獲了更多的具有判別信息的特征。

　　當數(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性來實現(xiàn)特征降維成為機器學習和數(shù)據(jù)挖掘近年來的研究熱點?；诮Y構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)的結構，包括全局結構和局部流形結構來實現(xiàn)特征降維。這些結構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 ，這些方法通過重構各數(shù)據(jù)點與全局信息之間的關系，來保留原始的結構。但是將這些方法應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行選擇，然后將各視角直接相連，導致了各個視角間特征的相關性和部分原始信息的缺失。