特征选择是经典机器学习特征工程中的一个重要步骤，用于搜索有用特征，并剔除冗余的特征。它广泛应用于数据驱动的结构健康监测（SHM）领域，如损伤敏感特征选择、传感器位置优化、主动学习中的查询选择和系统识别等。特征选择方法通常可分为过滤、包装和嵌入式方法。与包装和嵌入式方法不同，过滤式方法不涉及模型训练，这使得它们比其他两种方法更快。但是，因为过滤式方法通常一次评估一个特征，而无法考虑到特征之间的冗余和相互作用，使其不适用于一些真实的工业场景。

为解决这一问题，同济大学土木工程学院孙利民团队与英国谢菲尔德大学机械工程学院Wordenj教授和Elizabeth教授合作，提出基于典型相关的快速特征选择算法。该研究进展发表在Mechanical Systems and Signal Processing，论文标题为“Canonical-correlation-based fast feature selection for structural health monitoring”。

研究首次系统性地证明了在特征矩阵和目标矩阵的特殊基向量下，两个矩阵之间的典型相关系数平方和（SSC）计算具有叠加性。利用此叠加性并结合改进后的Gram–Schmidt正交化方法和贪婪搜索，提出了相关方法和余弦方法方法，用以加快基于SSC的特征选择算法计算速度。所提出算法可为多输入多输出机器学习模型高效地选择有效且无冗余的特征子集，其低计算复杂度与高鲁棒性表明了所提出算法在设备性能受限、算法稳定性要求高的实际结构健康监测项目中具有适用性和实用性。

原文链接：https://doi.org/10.1016/j.ymssp.2024.111895