文章原名爲：Unsupervised Feature Selection Using Nonnegative Spectral Analysis
前人的研究基礎爲利用譜分析法進行特徵聚類，然後進行特徵選擇，並且沒有約束F的非負和正則
文章是同時進行特徵聚類和特徵選擇，目標函數爲：
其中，樣本數爲N；分類的類別數爲C；特徵數爲d；F是聚類標籤，N*C維的矩陣，F=[f1,f2,f3...fn]‘而後歸一化的結果，如果fij非0，就表示第i個樣本屬於第j個類別。fi爲C*1的行向量屬於{0,1}；比如 Y=[1,0;0,1;0,1]，F=[1.0000 0;0 0.7071;0 0.7071];
W爲特徵選擇矩陣（*N），W儘量行稀疏，Wij表示第j個樣本的第i個特徵，若W(i:)表示樣本的第i個特徵，趨近於0，則表示第i個特徵與聚類標籤矩陣F無關。
目標函數的第一部分的最小化，可以保證譜聚類的正確聚類，與標籤標記的特徵將會被選擇；第三部分最小化，可以保證W的行稀疏，去除噪聲和不相關項。
第二部分是F和W的互相調節，旨在學習聚類標籤F和特徵選擇W矩陣。第四部分是保證F的正則。
第一部分：譜分析法，也叫特徵值法，先求K近鄰圖的帶權領接矩陣，再求拉普拉斯矩陣L
求目標函數最小化的F，W，使用迭代法。
X是d*n維矩陣、初始化Fn*c維、Dd*d維單位矩陣
迭代步奏：
其中，