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