作者：闫婷婷数学建模高维数据挖掘特征压缩数据聚类
摘要：高维数据挖掘由于特征空间占用开销较大，挖掘的复杂度较高，挖掘精度不高，为了提高对高维数据挖掘的准确性能，提出…种基于相空间重构和K—L变换特征压缩的高维数据挖掘数学建模方法；采用集成学习技术，对高维数据信息流进行相空间重构处理，考虑类问的数据不平衡性，求得高维数据的关联维特征参量，根据数据的链距离进行稀疏性融合，计算高维数据流模型的最大Lyapunove指数谱，根据谱分析方法实现数据聚类，对聚类后的数据采用K—L特征压缩方法进行降维处理，降低数据挖掘的内存及计算开销；仿真结果表明，采用该方法进行高维数据挖掘，数据挖掘的准确概率较高，占用内存消耗较少，计算开销较小。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
