论文部分内容阅读
由于类脑智能数据具有协同多种不同的认知能力，对复杂环境具备极强的自适应能力，需要组建类脑智能数据的挖掘机制。但是采用当前的算法建立挖掘机制时，难以精确地消除数据中存在的冗余性，存在数据挖掘误差大的问题。为此提出基于机会认知的类脑智能数据挖掘机制。上述方法融合于时间粒度先对原始数据的时间序列进行分割，完成对数据的预处理，依据马氏距离来调整类脑智能数据变量之间的相关性，通过协方差矩阵得到其特征值和特征向量，将离散化的智能数据在粗糙集理论基础上进行属性的约简，在不损失原有类脑智能数据信息的基础上消除表中的冗余片