数学建模中的高维数据挖掘技术优化研究

• 作者: 闫婷婷
• 来源期刊: 计算机测量与控制
• 关键词: 数学建模 高维数据 挖掘 特征压缩 数据聚类
• 年，卷（期）: 2017,（9）
• 所属期刊栏目: 设计与应用
• 页码范围: 158-160,165
• 页数: 4页
• 分类号: TP391
• 语种: 中文
• DOI: 10.16526/j.cnki.11-4762/tp.2017.09.041

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,提出一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,考虑类间的数据不平衡性,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Lya-punove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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	闫婷婷		6	8	1.0	2.0