紫禁城三维场景数据 可以采用易景三维平台打开 其软件下载地址（免费）： http://download.csdn.net/detail/bull_wenjin/5595737 提供了故宫的浏览

Lasso方法与其他特征选择一样,对高维海量或高维小样本数据集的特征选择容易出现计算开销过大或过学习问题(过拟合)。为解决此问题,提出一种改进的Lasso方法:迭代式Lasso方法。迭代式Lasso方法首先将特征集分成K份,对第一份特征子集进行特征提取,将所得特征加入第二份,再对第二份特征进行特征提取;然后将所得特征加入第三份,依次迭代下去,直到第K份,得到最终特征子集。实验表明,迭代式Lasso方法能够很好地对高维海量或高维小样本数据集进行特征选择,是一种有效的特征选择方法。目前,此方法已经很好地应用在高维海量和高维小样本数据的分类或预测模型中。

传统上，葡萄栽培者对研究葡萄叶/叶柄的生物化学与其相关光谱反射率之间的关系具有浓厚的兴趣，以便了解果实的成熟率，水分状况，营养水平和疾病风险。 在本文中，我们对330至2510 nm的反射波长区域（986个总光谱带）实施成像光谱（高光谱）反射率数据，以评估葡萄园的营养状况。 这构成了带有病态协方差矩阵的高维数据集。 对有助于营养评估和预测的有用信息的变量（波段）的识别在多元统计建模中起着关键作用。 近年来，研究人员已成功开发出许多连续的，几乎无偏的，稀疏且准确的变量选择方法来克服此问题。 本文比较了四种正则化和一种功能回归方法：弹性网，多步自适应弹性网，Minimax凹面惩罚，迭代确定性独立筛选以及用于波长变量选择的功能数据分析。 此后，使用逐步回归可增强这些正则化稀疏模型的预测性能。 使用高维和高度相关的葡萄高光谱数据集进行回归方法的比较研究表明，Elastic Net用于变量选择的性能产生了最佳的预测能力。

提出了一种编码标志点的设计与检测方法，以满足三维扫描测量中对大面积物体进行全场检测的编码标志点拼接法的要求。编码标志点由编码点和标志点组成，其中标志点提供位置信息，编码信息被编译储存在编码点的排布中。研究了编码点的数量和编码标志点方案总数的对应关系以及标志点的编码方法。对编码标志点的检测以及偏心误差进行了分析。实验证明，该编码标志点方案简洁、严密，容易识别，达到了设计要求。

为了获得更为全面的三维信息，本文提出了基于双目立体视觉图像的三维拼接和融合的解决方法，并且完成了算法的实现。本方法仅使用双目图像作为输入，完成了高效的空间转换，并侧重于利用重投影融合和场景信息建模的方法对空间开销的控制，提高了处理的效率。同时，为了方便三维信息的观察和效果显示，对三维数据进行了可视化。经实验证明，本方法不仅能够用于拼接和融合三维数据，更能较好地用于显示三维数据。

用C语言程序调用opencv对一维数据进行傅里叶变换DFT和傅里叶逆变换IDFT，详细配置说明可以参考：https://blog.csdn.net/u012297921/article/details/120907238

在一家超市中，人们发现了一个特别有趣的现象：尿布与啤酒这两种风马牛不相及的商品居然摆在一起。但这一奇怪的举措居然使尿布和啤酒的稍量大幅增加了。这可不是一个笑话，而是一直被商家所津津乐道的发生在美国沃尔玛连锁超市的真实案例。原来，美国的妇女通常在家照顾孩子，所以她们经常会嘱咐丈夫在下班回家的路上为孩子买尿布，而丈夫在买尿布的同时又会顺手购买自己爱喝的啤酒。这个发现为商家带来了大量的利润，但是如何从浩如烟海却又杂乱无章的数据中，发现啤酒和尿布销售之间的联系呢？这又给了我们什么样的启示呢？这是一个模拟商场销售数据的二维数据关联度的分析例子。

https://blog.csdn.net/liyihao17/article/details/89372581 这篇文章用的数据集

稀疏子空间聚类(Sparse subspace clustering,SSC)是一种基于谱聚类的数据聚类框架.高维数据通常分布于若干个低维子空间的并上,因此高维数据在适当字典下的表示具有稀疏性.稀疏子空间聚类利用高维数据的稀疏表示系数构造相似度矩阵,然后利用谱聚类方法得到数据的子空间聚类结果.其核心是设计能够揭示高维数据真实子空间结构的表示模型,使得到的表示系数及由此构造的相似度矩阵有助于精确的子空间聚类.稀疏子空间聚类在机器学习、计算机视觉、图像处理和模式识别等领域已经得到了广泛的研究和应用,但仍有很大的发展空间.本文对已有稀疏子空间聚类方法的模型、算法和应用等方面进行详细阐述,并分析存在的不足,指出进一步研究的方向.

本代码用于二维数据不能采用简单线性划分去做划分的情况，采用python，支持向量机方式实现，对数据进行二分类，并自动绘制出三维立体图像。内含数据集txt格式，可直接运行。