1、特征選擇方法作為當前數據挖掘、機器學習、模式識別等領域的研宄熱點，己被廣泛應用于圖像檢索、人臉識別、文本挖掘、入侵檢測等領域。以往特征選擇大多是在傳統(tǒng)的向量形式的數據上進行的，但是隨著時代的發(fā)展，各種科學領域積累了大量圖數據，對于圖數據的特征選擇逐漸成為研宄的熱點。特別是腦網絡研宄的發(fā)展，更需要用于圖數據的特征選擇方法的提出和改進。傳統(tǒng)的向量型的數據的特征選擇方法，特別是應用于腦網絡這種圖數據的特征選擇時具有一定的局限性。本文將以子圖作

2、為特征的方法引入圖數據的特征選擇中，提出了一些可用于腦網絡分類的方法。本文面向圖數據特征選擇的背景下，進行了以下主要研宄工作：
　　首先，提出通過使用子圖特征表示的方法，使對腦網絡的描述不需要局限于對單個腦區(qū)進行表示。傳統(tǒng)的向量型的數據所需要的數據形式對腦網絡模型的構建、描述具有局限性。同時導致的必然是樣本信息表示的丟失，而且用于向量型的特征選擇方法用于圖數據時不具有較好的解釋性。另外還引入圖核的方法來判別結構化的圖數據樣本間的相

3、似性，并引入了圖核的降維方法，對使用子圖描述的樣本信息進一步進行特征提取。在真實的輕度認知障礙數據集上對提出的方法進行了驗證，實驗結果表明，基于子圖表示的特征和基于頻度差的特征選擇方法能有效提高分類精度，并有較好的可解釋性。
　　其次，提出使用度量特征項和樣本標簽的依賴度的HSIC準則方法，用于圖數據的特征選擇中。簡單的基于頻度差的圖數據特征選擇方法在直觀上有較好的解釋性，但是可能會遺漏對分類較重要的信息。在真實的注意缺陷多動障礙

4、數據集上進行的實驗表明，所述方法能較好的提高分類性能。
　　最后，提出了基于多特征融合的腦網絡分析方法。無論是基于向量形式的數據表示還是使用子圖形式的數據表示都會有樣本信息的丟失：基于向量形式的表示方法在對腦網絡進行描述時會丟失多個腦區(qū)間的拓撲結構信息，而基于子圖形式的表示方法在對腦網絡進行描述時，對單個腦區(qū)的內部變化又不太敏感，實驗結果表明所述方法在多個閾值下均具有較好的分類性能，同時也解釋了不同形式的特征表示方法具有信息描述方